ANALISIS SURVIVAL TERHADAP PASIEN HIV/AIDS

MENGGUNAKAN REGRESI COX PROPORTIONAL HAZARD

(Studi Kasus: Pasien HIV/ADS di RSUD RAA Soewondo Pati Tahun 2015-2019)

TUGAS AKHIR

Alfi Indah Nurrizqi

16 611 080

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ISLAM INDONESIA

YOGYAKARTA

2020

i
 ANALISIS SURVIVAL TERHADAP PASIEN HIV/AIDS
MENGGUNAKAN REGRESI COX PROPORTIONAL HAZARD

(Studi Kasus: Pasien HIV/ADS di RSUD RAA Soewondo Pati Tahun

2015-2019)

TUGAS AKHIR

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana

Jurusan Statistika

Alfi Indah Nurrizqi

16 611 080

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS ISLAM INDONESIA

YOGYAKARTA

2020

i
 HALAMAN PERSETUJUAN PEMBIMBING

TUGAS AKHIR

Judul : Analisis Survival Terhadap Pasien HIV/AIDS

Menggunakan Regresi Cox Proportional Hazard
(Studi Kasus: Pasien HIV/AIDS di RSUD RAA
Soewondo Pati Tahun 2015-2019)

Nama Mahasiswa : Alfi Indah Nurrizqi

Nomor Mahasiswa : 16 611 080

TUGAS AKHIR INI TELAH DIPERIKSAN DAN DISETUJUI UNTUK

DIUJIKAN

Yogyakarta, 14 Maret 2020

Pembimbing

(Prof. Akhmad Fauzy, S.Si., M.Si., Ph.D.)

ii
HALAMAN PEN

iii
 KATA PENGANTAR

Assalamu’alaikum Warahmatullaahi Wabarakaatuh

Alhamdulillaahirabbil’alamin, puji syukur penulis panjatkan kehadirat

Allah SWT yang telah melimpahkan rahmat serta hidayah-Nya, sehingga penulis
dapat menyelesaikan tugas akhir ini. Shalawat serta salam penulis panjatkan kepada
junjungan nabi besar Muhammad SAW, beserta keluarga serta semua umat
pengikutnya hingga akhir zaman. Tugas akhir ini disusun sebagai salah satu syarat
untuk memperoleh gelar sarjana jurusan statistika di Universitas Islam Indonesia.
Tugas akhir yang berjudul “Analisis Survival Terhadap Pasien HIV/AIDS
Menggunakan Regresi Cox Proportional Hazard (Studi Kasus: Pasien
HIV/AIDS di RSUD RAA Soewondo Pati Tahun 2015-2019)”.
Perlu disadari bahwa selama penyusunan tugas akhir, penulis mendapatkan
bimbingan, dorongan dan pihak dari berbagai pihak. Oleh karena itu
perkenankanlah penulis memberikan ucapan terimakasih kepada:
1. Bapak Prof. Riyanto, S.Pd., M.Si., Ph.D., selaku Dekan Fakulktas
Matematika dan Ilmu Pengetahuan Alam Universitas Islam Indonesia.
2. Bapak Dr. Edy Widodo, S.Si., M.Si., selaku Ketua Jurusan Statistika beserta
jajarannya.
3. Bapak Prof. Akhmad Fauzy, S.Si., M.Si., Ph.D., selaku Dosen Pembimbing
yang berjasa dalam membimbing penyelesaian tugas akhir ini.
4. Ibu Tuti Purwaningsih S.Stat., M.Si., selaku Dosen Pembimbing Akademik
5. Seluruh dosen dan staff jurusan Statistika, terimakasih atas ilmu dan
bantuan yang diberikan.
6. Seluruh jajaran RSUD RAA Soewondo Pati
7. Kedua orang tua tercinta, Bapak Nuralim dan Ibu Sri Purwanti, saudara
terkasih Muhammad Nafis Fadhlurrahman, beserta seluruh keluarga besar
penulis yang telah mencurahkan kasih sayangnya, dukungan, motivasi, dan

iv
 selalu mendoakan agar penulis diberikan kemudahan dan kelancaran dalam
penyusunan tugas akhir ini
8. Sahabat terkasih Ngegas Club yaitu Fauziyah Dewi Nisrina, Widia Nusalina
Risqi, Rizky Desi Ramadhani dan Rizqi Ananda Safitri terimakasih atas
perhatian dan kebaikannya.
9. Teman-teman bimbingan TA, Teman KKN 59 terutama unit 168, Annisa
Ayunda Permata Sari, Sasa Tian Dhani dan Yuda Khoirul Zikri yang selalu
memberikan semangat, masukan, saran, dan motivasi untuk penulis dalam
menyelesaikan tugas akhir ini.
10. Kawan-kawan Statistika UII Angkatan 2016 (ARTCOS) yang sedari awal
berjuang bersama demi gelar S.Stat, terimakasih telah menghabiskan wakru
4 tahun menimba ilmu bersama.
11. Semua pihak yang telah membantu yang tidak dapat penulis sebutkan satu
persatu. Semoga Allah SWT selalu memberi rahmat serta anugerah-Nya
kepada mereka tanpa henti. Aamiin.
Penulis menyadari bahwa tugas akhir ini masih memiliki kekurangan. Hal
tersebut dikarenakan keterbatasan ilmu dan pengetahuan yang dimiliki penulis
semata. Segala kritik dan saran yang sifatnya membangun selalu penulis harapkan.
Semoga penelitian ini dapat bermanfaat dan memberikan khasanah pengetahuan
bagi penulis khususnya dan bagi semua yang membutuhkan umumnya.

Wassalamu’alaikum Warahmatullaahi Wabarakaatuh

Yogyakarta, 14 Maret 2020

Penulis

v
 DAFTAR ISI

HALAMAN JUDUL ……………………………………………………………..i

HALAMAN PERSETUJUAN PEMBIMBING ................................................. ii
HALAMAN PENGESAHAN .............................................................................. iii
KATA PENGANTAR .......................................................................................... iv
DAFTAR ISI ......................................................................................................... vi
DAFTAR TABEL ................................................................................................ ix
DAFTAR GAMBAR ............................................................................................. x
DAFTAR LAMPIRAN ........................................................................................ xi
PERNYATAAN ................................................................................................... xii
INTISARI ........................................................................................................... xiii
ABSTRACT ........................................................................................................ xiv
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang Masalah ........................................................................... 1
1.2 Rumusan Masalah .................................................................................... 4
1.3 Tujuan Penelitian ...................................................................................... 5
1.4 Manfaat Penelitian .................................................................................... 5
1.5 Batasan Masalah ....................................................................................... 5
BAB II TINJAUAN PUSTAKA........................................................................... 7
BAB III LANDASAN TEORI ............................................................................ 12
3.1 HIV/AIDS .............................................................................................. 12
3.1.1 Pengertian HIV/AIDS ..................................................................... 12
3.1.2 Epidemiologi HIV/AIDS ................................................................ 12
3.1.3 Etiologi HIV/AIDS ......................................................................... 13
3.1.4 Patofisiologi Infeksi HIV ................................................................ 13
3.1.5 Faktor Risiko HIV/AIDS ................................................................ 14
3.1.6 Gejala HIV/AIDS ............................................................................ 14
3.2 Rekam Medis .......................................................................................... 15
3.3 Analisis Statistika Deskriptif .................................................................. 15
3.4 Analisis Survival .................................................................................... 16
3.4.1 Pengertian Analisis Survival ........................................................... 16

vi
 3.4.2 Waktu Survival ................................................................................ 16
3.4.3 Penyensoran Data ............................................................................ 17
3.4.4 Fungsi Survival ............................................................................... 18
3.4.5 Fungsi Hazard ................................................................................. 19
3.5 Kaplan Meier .......................................................................................... 20
3.6 Regresi Cox Proportional Hazard ......................................................... 21
3.7 Kejadian Bersama dalam Partial Likelihood ......................................... 22
3.7.1 Metode Partial Likelihood Breslow ................................................ 22
3.7.2 Metode Partial Likelihood Efron .................................................... 23
3.7.3 Metode Partial Likelihood Exact .................................................... 24
3.8 Pengujian Parameter ............................................................................... 24
3.8.1 Uji Serentak (overall)...................................................................... 25
3.8.2 Parsial .............................................................................................. 26
3.9 Pemilihan Model Terbaik ....................................................................... 26
3.10 Pengujian Asumsi Proportional Hazard ................................................ 27
3.11 Interpretasi Model Regresi Cox.............................................................. 28
BAB IV METODOLOGI PENELITIAN ......................................................... 29
4.1 Populasi dan Sampel Penelitian ............................................................. 29
4.2 Jenis dan Sumber Data ........................................................................... 29
4.3 Variabel Penelitian ................................................................................. 29
4.4 Definisi Operasional Variabel ................................................................ 30
4.5 Metode Analisis Data ............................................................................. 32
4.6 Tahapan Penelitian ................................................................................. 32
BAB V HASIL DAN PEMBAHASAN .............................................................. 35
5.1 Analisis Statistika Deskriptif .................................................................. 35
5.2 Analisis Kaplan Meier............................................................................ 40
5.3 Estimasi Paramter Regresi Cox dengan Pendekatan Breslow ................ 42
5.4 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan
Breslow .............................................................................................................. 45
5.4.1 Uji Secara Simultan (Overall) ......................................................... 45
5.4.2 Uji Parsial ........................................................................................ 46
5.5 Estimasi Paramter Regresi Cox dengan Pendekatan Efron .................... 49

vii
 5.6 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan Efron
………………………………………………………………………….52
5.6.1 Uji Secara Simultan (Overall) ......................................................... 52
5.6.2 Uji Parsial ........................................................................................ 53
5.7 Estimasi Paramter Regresi Cox dengan Pendekatan Exact .................... 56
5.8 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan Exact
………………………………………………………………………….60
5.8.1 Uji Secara Simultan (Overall) ......................................................... 60
5.8.2 Uji Parsial ........................................................................................ 61
5.9 Pemilihan Model Terbaik ....................................................................... 63
5.10 Pengujian Asumsi Proportional Hazard ................................................ 64
5.11 Interpretasi Parameter Cox Proportional Hazard .................................. 65
5.12 Model Regresi Cox Berdasarkan Demografi .......................................... 66
BAB VI PENUTUP ............................................................................................. 68
6.1 Kesimpulan ............................................................................................. 68
6.2 Saran ....................................................................................................... 70
DAFTAR PUSTAKA .......................................................................................... 71
LAMPIRAN ......................................................................................................... 36

viii
 DAFTAR TABEL

Tabel 3.1 Contoh data Ties Analisis Survival ...................................................... 22

Tabel 5.1 Analisis Deskriptif................................................................................ 35
Tabel 5.2 Hasil Estimasi Parameter Regresi Cox dengan Pendekatan Breslow .. 42
Tabel 5.3 Hasil Estimasi Parameter Terbaik dengan Pendeketan Breslow .......... 44
Tabel 5.4 Hasil Nilai AIC dengan Metode Breslow ............................................. 44
Tabel 5.5 Hasil Estimasi Parameter Regresi Cox dengan Pendekatan Efron....... 49
Tabel 5.6 Hasil Estimasi Parameter Terbaik dengan Pendekatan Efron .............. 51
Tabel 5.7 Hasil Nilai AIC dengan Metode Efron ................................................. 51
Tabel 5.8 Hasil Estimasi Parameter Regresi Cox dengan Pendekatan Exact ...... 56
Tabel 5.9 Hasil Estimasi Parameter Terbaik dengan Pendekatan Exact .............. 58
Tabel 5.10 Hasil Nilai AIC dengan Metode Exact ............................................... 58
Tabel 5.11 Pemilihan Model Terbaik dengan Perbandingan Nilai AIC .............. 63
Tabel 5.12 Nilai P-Value Uji Asumsi Proportional Hazard ................................. 64
Tabel 5.13 Estimasi Parameter Regresi Cox dengan Pendekatan Exact .............. 65

ix
 DAFTAR GAMBAR

Gambar 4.1 Flowchart Penelitian ........................................................................ 32

Gambar 5.1 Grafik Jenis Kelamin ....................................................................... 36
Gambar 5.2 Grafik Status Pernikahan ................................................................. 36
Gambar 5.3 Grafik Status Pekerjaan ................................................................... 37
Gambar 5.4 Grafik Stadium ................................................................................ 37
Gambar 5.5 Grafik Status Tuberculosis .............................................................. 38
Gambar 5.6 Grafik Infeksi Oportunistik.............................................................. 38
Gambar 5.7 Grafik Pendidikan ............................................................................ 39
Gambar 5.8 Grafik Faktor Risiko Penularan ....................................................... 39
Gambar 5.9 Kurva Kaplan Meier Berdasarkan Jenis Kelamin ........................... 40
Gambar 5.10 Kurva Kaplan Meier Berdasarkan Usia ......................................... 40
Gambar 5.11 Kurva Kaplan Meier Berdasarkan Status Pekerjaan ...................... 41
Gambar 5.12 Kurva Kaplan Meier Berdasarkan Status Pernikahan ................... 41

x
 DAFTAR LAMPIRAN

Lampiran 1 Data Pasien HIV/AIDS di RSUD RAA Soewondo Pati

Lampiran 2 Surat Perijinan Pengambilan Data di RSUD RAA Soewondo Pati
Lampiran 3 Script dan Output Regresi Cox Breslow
Lampiran 4 Script dan Output Regresi Cox Efron
Lampiran 5 Script dan Output Regresi Cox Exact
Lampiran 6 Script dan Output Regresi Cox Variabel Demografi
Lampiran 7 Tabel Chi Square
Lampiran 8 Tabel Z Standard Normal Probabilities

xi
PERNYATAAN

xii
 ANALISIS SURVIVAL TERHADAP PASIEN HIV/AIDS MENGGUNAKAN
REGRESI COX PROPORTIONAL HAZARD

(Studi Kasus: Pasien HIV/AIDS di RSUD RAA Soewondo Pati

Tahun 2015-2019)

Alfi Indah Nurrizqi

Program Studi Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Islam Indonesia

INTISARI

HIV atau Human Immunodeficiency Virus adalah sejenis virus yang menginfeksi
sel darah putih yang menyebabkan turunnya kekebalan tubuh manusia. AIDS atau
Acquired Immune Syndrome merupakan sekumpulan gejala penyakit yang timbul
karena turunnya kekebalan tubuh yang disebabkan oleh infeksi HIV. Gejala utama
HIV/AIDS yaitu penurunan berat badan lebih dari 10% dalam waktu yang singkat,
diare tinggi berkepanjangan dan demam berkepanjangan. Jumlah infeksi HIV di
kabupaten Pati selama tahun 2018 sebanyak 118 kasus dan AIDS sebanyak 116
kasus. Kasus HIV/AIDS merupakan fenomena gunung es yang artinya jumlah
kasus yang dilaporkan hanya sebagian kecil dari yang terjadi di masyarakat. Tujuan
dari penelitian ini adalah untuk mengetahui faktor yang mempengaruhi lama
bertahan hidup pasien HIV/AIDS di RSUD RAA Soewondo Pati Tahun 2015-2019.
Analisis yang digunakan adalah regresi cox proportional hazard. Pada data lama
bertahan hidup pasien HIV/AIDS terdapat kemungkinan terjadinya ties, maka
terdapat beberapa metode dalam menentukan estimasi parameter partial likelihood
yaitu breslow, efron dan exact. Hasil analisis dari ketiga metode tersebut diketahui
persamaan regresi cox proportional hazard yang terbaik yaitu menggunakan
metode exact dan terdapat tiga faktor yang mempengaruhi lama pasien HIV/AIDS
bertahan hidup yaitu status bekerja, stadium dan berat badan. Model yang
didapatkan yaitu ℎ(𝑡, 𝑋) = ℎ0 (t)exp⁡(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎) −
0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) + 0.01661𝑋8 ). Interpretasi persamaan model regresi
cox proportional hazard pasien yang tidak memiliki pekerjaan memiliki
kesempatan meninggal lebih kecil sebesar 2.746 kali, pasien dengan stadium ringan
memiliki kesempatan meninggal lebih kecil 2.46 kali dan semakin bertambahnya
berat badan pasien risiko meninggal 1.01675 kali lenih besar.

Kata kunci : HIV/AIDS, Regresi Cox Proportional Hazard, Breslow, Efron, Exact

xiii
 SURVIVAL ANALYSIS OF HIV/AIDS PATIENTS USING HAZARD COX
PROPORTIONAL REGRESSION

(Case Study: HIV/AIDS Patients in RAA Soewondo Pati Hospital

in 2015-2019)

Alfi Indah Nurrizqi

Departement of Statistics, Faculty of Mathematics and Natural Science
Universitas Islam Indonesia

ABSTRACT

HIV or Human Immunodeficiency Virus is a type of virus that infects white blood
cells which causes a decrease in human immunity. AIDS or Acquired Immune
Syndrome is a collection of disease symptoms that arise due to decreased immunity
caused by HIV infection. The main symptoms of HIV/AIDS are weight loss of more
than 10% in a short time, prolonged diarrhea and prolonged fever. The number of
HIV infections in Pati district in 2018 was 118 cases and AIDS cases were 116
cases. HIV/AIDS cases are an iceberg phenomenon which means that the number
of reported cases is only a small fraction of what has happened in the community.
The purpose of this study was determine the factors that influence the length of
survival of HIV/AIDS patients in RAA Soewondo Pati Hospital in 2015-2019. The
analysis used is cox proportional hazard regression. In the long-standing data of
HIV/AIDS patients there is a possibility of a tie, so there are several methods in
determining the estimation of partial likelihood parameters, ie breslow, efron, and
exact. The results of the analysis of the three methods are known to be the best cox
proportional hazard regression equation using the exact method and there are three
factors that influence the length of HIV/AIDS patients survival ie work status, stage
and weight. The model obtained is h(t, X) = h0 (t)exp⁡(−1.01006X5(not⁡working) −
0.90120X7(light⁡stadium) + 0.01661X 8 ). Interpretation of the equation of the cox
proportional hazard regression model of patients who do not have a job has a
smaller chance of death by 2.746 times, patients with light stadium have a smaller
chance of death 2.46 times and the increasing weight of the patient the risk of death
1.01675 times greater.

Keywords: HIV/AIDS, Cox Proportional Hazard Regression, Breslow, Efron,

Exact

xiv
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

HIV atau Human Immunodeficiency Virus adalah sejenis virus yang
menyerang/menginfeksi sel darah putih yang menyebabkan turunnya kekebalan
tubuh manusia. AIDS atau Acquired Immune Syndrome merupakan sekumpulan
gejala penyakit yang timbul karena turunnya kekebalan tubuh yang disebabkan
infeksi oleh HIV. Akibat menurunnya kekebalan tubuh maka orang tersebut sangat
mudah terkena berbagai penyakit infeksi (infeksi oportunistik) yang sering
berakibat fatal. Pengidap HIV memerlukan pengobatan dengan Antiretroviral
(ARV) untuk menurunkan jumlah virus HIV di dalam tubuh agar tidak masuk ke
dalam stadium AIDS, sedangkan pengidap AIDS memerlukan pengobatan untuk
mencegah terjadinya infeksi oportunistik dengan berbagai komplikasinya
(Kemenkes RI, 2014). Indonesia merupakan negara dengan urutan ke-5 yang
berisiko HIV/AIDS di Asia (Kemenkes RI, 2013). Menurut Kemenkes RI (2018),
laporan kasus baru HIV meningkat setiap tahunnya dengan lonjakan peningkatan
paling banyak terjadi pada tahun 2016 yaitu sebesar 10.315 kasus.
Badan Kesehatan Dunia (WHO, 2015) menyatakan bahwa obat atau terapi
untuk menyembuhkan penyakit HIV sampai saat ini belum ada, akan tetapi
penyakit HIV dapat dikendalikan dengan mengonsumsi ARV secara rutin.
Antiretroviral Therapy merupakan kombinasi beberapa obat antriretroviral yang
berfungsi menekan replikasi HIV di dalam tubuh manusia, terapi ini juga
mempunyai peran yang besar dalam meningkatkan kualitas hidup pasen HIV/AIDS
(Rahmanika, 2016). Cara kerja ARV adalah menekan serta mengganggu proses
replikasi virus dalam tubuh, dan CD4 dalam tubuh akan meningkat sehingga dapat
memperlambat proses terjadinya AIDS serta angka kesakitan dan kematian akibat
penyakit AIDS dapat dikurangi.

1
 2

Menurut Taylor, dkk. (1989) yang dikutip dalam Widiyanti dan Hutapea
(2015) target utama dari HIV yaitu populasi CD4 yang berfungsi
mengkoordinasikan sejumlah fungsi imonulogis, sehingga jumlah dan fungsi CD4
menurun dan menyebabkan gangguan respon imun dominan yang progresif. Jumlah
CD4 yang normal berkisar antara 410-1590 sel/mL darah. Ketika jumlah CD4
dibawah 350 sel/mL maka kondisi tersebut sudah dianggap sebagai AIDS (Pohan,
2006).
Di Indonesia, lima provinsi dengan jumlah infeksi HIV terbesar adalah Jawa
Timur, DKI Jakarta, Jawa Barat, Jawa Tengah, dan Papua. Berdasarkan data yang
ada, provinsi dengan kasus AIDS terbanyak adalah Jawa Tengah, Jawa Barat dan
Papua (Kemenkes RI, 2018). Jumlah kasus baru HIV tahun 2018 pada provinsi
Jawa Tengah sebesar 2.564 kasus, lebih tinggi dibandingkan dengan penemuan
kasus HIV di tahun 2017. Penemuan kasus HIV pada laki – laki lebih banyak
dibandingkan pada perempuan (61,90 persen). Bila dilihat berdasarkan umur, maka
penderita HIV terbanyak yaitu dengan umur 25 – 49 tahun sebesar 71,02 persen.
Untuk jumlah kasus baru AIDS (Acquired Immuno Deficiency Syndrome) tahun
2018 sebesar 1.854 kasus, lebih banyak dibandingkan tahun 2017 yaitu 1.409 kasus.
Berdasarkan kelompok umur, jumlah kasus terbanyak terdapat pada umur 25-49
tahun sebanyak 73,57 persen. Berdasarkan jenis kelamin, kasus pada laki-laki lebih
banyak dibandingkan kasus pada perempuan sebesar 61,70 persen (Dinkes Jateng,
2018).
Dalam buku profil kesehatan kabupaten Pati, jumlah infeksi HIV Kabupaten
Pati yang dilaporkan selama tahun 2018 sebanyak 118 kasus dan kasus AIDS 116
kasus, hal tersebut meningkat jika dibandingkan dengan tahun 2017 yaitu sebanyak
33 orang terkena infeksi HIV dan 115 kasus AIDS. Kasus HIV/AIDS merupakan
fenomena gunung es, artinya kasus yang dilaporkan hanya sebagian kecil yang ada
di masyarakat (Dinkes Pati, 2018). Menurut data Badan Pusat Statistik Provinsi
Jawa Tengah pada tahun 2018 kabupaten Pati menduduki peringkat ke-5 dengan
pasien HIV/AIDS terbesar di Jawa Tengah.
Menurut (Kleinbaum dan Klein, 2005), analisis survival adalah metode
statistika yang digunakan untuk menggambarkan analisis data yang berhubungan
 3

dengan waktu, mulai dari waktu awal (time origin) sampai terjadinya suatu
peristiwa khusus (event) atau waktu akhir penelitian (end point). Analisis survival
bertujuan untuk menganalisa data pada suatu kejadian sehingga dapat diketahui
variabel apa saja yang mempengaruhi. Menurut Latan (2014) yang dikutip dari
Utami (2015) menyatakan bahwa regresi cox adalah salah satu analisis survival
yang dapat diimplementasikan dengan proporsional model hazard yang didesain
untuk menganalisis waktu hingga event atau waktu antara event. Dalam regresi cox
menggunakan banyak faktor di dalam model, untuk berbagai prediktor variabel
regresi cox akan menghasilkan estimasi dari berapa banyak prediktor yang akan
meningkatkan atau menurunkan odds dari event yang terjadi.
Selain mencari faktor apa saja yang berpengaruh dari data penyakit HIV
AIDS di RSUD RAA Soewondo Pati, ada salah satu asumsi yang harus dipenuhi
dalam regresi cox, yaitu asumsi proportional hazard. Menurut Collet (2004), dalam
mengetahui hubungan antara variabel dependen (dipengaruhi) dengan variabel
independen (mempengaruhi) digunakan regresi cox proportional hazard dan dalam
regresi tersebut tidak diperlukan asumsi distribusi. Nilai hazard ratio yang
diperoleh digunakan untuk membandingkan antara fungsi hazard individu satu
dengan individu lainnya. Nilai dari hazard ratio merupakan nilai yang proportional
pada setiap individu (Kleinbaum dan Klein, 2005).
Waktu ketahanan pasien dari di diagnosa HIV/AIDS hingga mengalami event
yaitu meninggal (dalam hari) digunakan peneliti sebagai variabel dependen. Untuk
variabel independen yang digunakan yaitu usia, jenis kelamin, status pernikahan,
pendidikan, status pekerjaan, faktor risiko penularan, stadium, berat badan, infeksi
oportunistik dan status tuberculosis mengacu pada penelitian sebelumnya yang
dilakukan oleh Rahmanika (2016). Penulis memilih variabel usia karena
bertambahnya umur mempengaruhi pemulihan kekebalan imunitas pada tubuh.
Variabel usia dipilih karena pada saat sebelum masa reproduksi, sistem imun
perempuan dan laki-laki sama namun mulai berbeda ketika memasuki masa
reproduksi. Variabel status pernikahan dipilih karena pasien yang belum menikah
nudah terpengaruh stigma dan hal negatif yang terkait dengan HIV sehingga
mampu memberikan pengaruh pada retensi pengobatan. Variabel pendidikan
 4

dipilih karena tingginya pendidikan seseorang menjadi dasar adanya perubahan

pada perilaku kesehatan. Penulis memilih variabel status pekerjaan karena berat
atau ringannya pekerjaan seseorang mempengaruhi daya tahan tubuh yang
dimilikinya. Variabel faktor risiko penularan dipilih karena hal tersebut mengetahui
melalui apa pasien tertular virus. Variabel stadium dipilih karena pasien yang baru
memulai pengobatan pada stadium akhir akan mempunyai resiko kematian yang
lebih besar. Variabel berat badan dipilih karena mempunyai hubungan dengan daya
tahan tubuh serta dapat menyebabkan resiko infeksi lain yang berdampak pada
peningkatan mortalitas. Variabel infeksi oportunistik dipilih karena pasien
HIV/AIDS tidak hanya berasal dari virus saja namun dapat dipengaruhi oleh infeksi
oportunistik dan komplikasi lain yang menyebabkan kematian. Status tuberculosis
dipilih karena merupakan penyebab morbiditas dan mortalitas pada pasien
HIV/AIDS. Dalam penelitian kali ini, peneliti tidak menggunakan variabel jumlah
CD4 karena belum tersedianya pengecekan jumlah CD4 di RSUD RAA Soewondo
Pati.
Berdasarkan latar belakang tersebut, peneliti melakukan penelitian
menggunakan metode regresi cox proportional hazard yang berjudul “Analisis
Survival Terhadap Pasien HIV/AIDS Menggunakan Regresi Cox Proportional
Hazard (Studi Kasus: Pasien HIV/AIDS di RSUD RAA Soewondo Pati Tahun
2015-2019)”.

1.2 Rumusan Masalah

Rumusan masalah yang diangkat berdasarkan latar belakang yang ada adalah
sebagai berikut:
a. Bagaimana gambaran umum data pasien HIV/ AIDS di RSUD RAA
Soewondo Pati?
b. Bagaimana model regresi cox proportional hazard serta faktor-faktor apa
saja yang mempengaruhi survival pasien HIV/AIDS di RSUD RAA
Soewondo Pati?
c. Berapa nilai hazard ratio pada setiap faktor yang mempengaruhi survival
pasien HIV/AIDS di RSUD RAA Soewondo Pati?
 5

d. Bagimana model regresi cox proportional hazard berdasarkan variabel

demografi serta faktor apa saja yang mempengaruhi survival pasien
HIV/AIDS berdasarkan variabel demografi di RSUD RAA Soewondo Pati

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah di atas, penelitian ini bertujuan untuk:
a. Mengetahui gambaran umum data pasien HIV/AIDS di RSUD RAA
Soewondo Pati
b. Mengetahui bagaimana model regresi cox proportional hazard serta
faktor-faktor apa saja yang mempengaruhi survival pasien HIV/AIDS
di RSUD RAA Soewondo Pati
c. Mengetahui nilai hazard ratio setiap faktor yang mempengaruhi
survival pasien HIV/AIDS di RSUD RAA Soewondo Pati.
d. Mengetahui bagaimana model regresi cox proportional hazard
berdasarkan variabel demografi serta faktor-faktor apa saja yang
mempengaruhi survival pasien HIV/AIDS berdasarkan variabel
demografi di RSUD RAA Soewondo Pati.

1.4 Manfaat Penelitian

Dengan dilakukan penelitian ini maka diharapkan dapat memberikan manfaat
seperti:
a. Mengetahui gambaran pasien HIV/AIDS di RSUD RAA Soewondo Pati.
b. Memberi informasi tentang lama waktu survive dan faktor-faktor yang
mempengaruhi survival pasien HIV/AIDS di RSUD RAA Soewondo
Pati.
c. Hasil dari penelitian ini diharapkan dapat digunakan sebagai informasi
dalam bidang kesehatan terkait penyakit HIV/AIDS.

1.5 Batasan Masalah

Batasan masalah dalam penelitian ini adalah:
a. Data yang digunakan adalah data sekunder
 6

b. Variabel-variabel yang digunakan mengacu pada penelitian

sebelumnya.
c. Perhitungan dalam analisis menggunakan software R 3.6.1.
d. Metode yang digunakan adalah metode regresi cox proportional
hazard.
 BAB II
TINJAUAN PUSTAKA

Penelitian yang dilakukan penulis kali ini mengacu pada referensi jurnal serta
skripsi yang berhubungan dengan penelitian yang akan dilakukan. Adapun tinjauan
pustaka yang berhubungan dengan penelitian tentang HIV/AIDS maupun tentang
metode regresi cox proportional hazard sebagai berikut:
Penelitian yang dilakukan oleh Munfaridah dan Indriani (2016) dengan judul
“Analisis Kecenderungan Survival Penderita HIV (+) dengan Terapi ARV
Menggunakan Aplikasi Life Table”. Adapun penelitian survival penderita HIV
dianalisis dalam interval waktu 5 tahun dengan pencatatan waktu terjadinya event
(AIDS) dengan satuan bulanan. Penelitian tersebut menggunakan unit data dari
populasi penderita HIV positif yang melakukan pemeriksaan ke RSUP Dr. Kariadi
Semarang pada tahun 2008 – 2012. Hasil yang diperoleh yaitu kecenderungan
survival penderita HIV yang memulai ART dengan jumlah CD4 rendah mengalami
AIDS dalam rentan waktu 7,5 bulan. Peluang terjadinya AIDS berdasarkan grafik
fungsi survival pada Pendidikan rendah adalah survival menurun 50% terjadi pada
10 bulan pertama setelah terdiagnosa positif HIV. Penderita yang memulai terapi
ARV dengan CD4 rendah mengalami penurunan waktu survival sebanyak 30%
pada 5 bulan pertama didiagnosa positif HIV.
Penelitian yang dilakukan Hiola, dkk. (2016) dengan judul “Pemodelan
Kasus HIV/AIDS Menggunakan Cox Proportional Hazard”. Pada penelitian
tersebut data yang digunakan adalah data sekunder berupa data rekam medis
penderita HIV/AIDS yang dimulai dari Januari 2008 sampai dengan Desember
2012 sebanyak 90 pasien. Variabel prediktor diukur dari awal terdiagnosis
HIV/AIDS. Hasil yang didapat dari penelitian yang dilakukan yaitu semakin lama
pasien menderita HIV/AIDS maka probabilitas survival pasien semakin kecil,
namun resiko kematian disebabkan HIV/AIDS semakin tinggi. Faktor yang
berpengaruh terhadap survival pasien HIV/AIDS yaitu pendidikan, pekerjaan,
kadar CD4, dan status fungsional.

7
 8

Penelitian yang dilakukan Rahmanika (2016) dengan judul “Analisis Survival

Pada Pasien HIV/AIDS dengan Antiretroviral Therapy (ART) di RSUD Prof. Dr.
Soekandar Kabupaten Mojokerto Menggunakan Regresi Cox Proportional
Hazard”. Pada penelitian yang dilakukan menggunakan data sekunder yang
diperoleh dari data rekam medis pasien HIV/AIDS yang menjalani ART pada
tanggal 1 Maret 2010 – 1 Maret 2015 di RSUD Prof. Dr. Soekandar Kabupaten
Mojokerto. Variabel respon (variabel dependen) yang digunakan yaitu data waktu
survival (T) pasien HIV/AIDS yaitu waktu yang diperlukan pasien untuk bertahan
hidup dari waktu awal pasien HIV/AIDS menjalani Antiretroviral Therapy (ART)
hingga terjadinya event, yaitu ketika pasien HIV/AIDS dinyatakan meninggal
dalam satuan hari. Hasil uji parsial pada menunjukkan faktor-faktor yang
berpengaruh adalah faktor usia, stadium, dan berat badan
Penelitian yang dilakukan Resti (2013) dengan judul “Penerapan Analisis
Regresi Logistik dan Analisis Survival Pada Data Masa Terapi Antriretroviral
Penderita HIV”. Dalam penelitian tersebut data yang digunakan adalah data
sekunder yang diperoleh dari Poliklinik HIV Rumah Sakit Kanker Dharmais
(RSKD), Jakarta. Data merupakan hasil tes laboratorium penderita HIV dan
dilengkapi dengan data demografi pasien pada saat melakukan pendaftaran ART,
data yang digunakan dimulai dari tahun 2005 – 2011. Variabel dependen yang
digunakan yaitu waktu ketahanan ART pasien yang merupakan lama
perkembangan infeksi HIV pasien menjadi AIDS. Untuk variabel independen
didasarkan pada ketersediaan data pasien yang menjalani ART di Poliklinik HIV
RSKD yaitu CD4 absolut awal, stadium klinis, cara penularan, riwayat ART, status
fungsional, umur, jenis kelamin, pendidikan dan status bekerja. Kesimpulan yang
didapat dalam penelitian tersebut yaitu dengan analisis survival menggunakan cox
hazard proportional, pasien dengan karakteristik nilai CD4 awal sebelum ART
kurang dari 200sel/mm3, stadium klinis 1 dan 2, tertular HIV melalui jarum suntik,
perempuan tidak tamat SMP, berusia lebih dari 30 tahun dan bekerja saat memulai
ART adalah kategori pasien dengan resiko kegagalan ART paling tinggi dibanding
kategori lainnya. Faktor-faktor yang mempengaruhi waktu ketahanan pasien
 9

menjalani ART hingga masuk stadium AIDS adalah status CD4 awal, stadium
klinis, cara penularan, jenis kelamin, pendidikan, umur, dan status bekerja.
Penelitian yang dilakukan Rosella (2013) dengan judul “Faktor-Faktor yang
Berpengaruh Terhadap Harapan Hidup 5 Tahun Pasien Human Immunodeficiency
Virus (HIV) / Acquired Immune Deficiency Syndrome (AIDS) Di RSUP Dr. Kariadi
Semarang”. Penelitian yang digunakan menggunakan uji chi-square. Dari
penelitian yang dilakukan didapatkan hasil faktor-faktor yang berpengaruh
terhadap harapan hidup 5 tahun pasien HIV/AIDS di RSUD Dr. Kariadi Semarang
yaitu jumlah CD4 dan stadium klinis, sedangkan faktor yang tidak berpengaruh
yaitu jenis kelamin dan usia.
Penelitian yang dilakukan Dukalang (2019) dengan judul “Analisis Regresi
Cox Proportional Hazard Pada Pemodelan Waktu Tunggu Mendapatkan
Pekerjaan”. Dari penelitian yang telah dilakukan diperoleh hasil variabel yang
berpengaruh signifikan terhadap selang waktu tunggu sarjana dalam memperoleh
pekerjaan yaitu asal SLTA SMA dan SMK, informasi lowongan pekerjaan melalui
koneksi, kesesuaian pekerjaandengan bidang ilmu serta pengalaman kerja. Nilai
hazard ratio informasi lowongan pekerjaan sebesar 0,455 artinya sarjana yang
mendapat informasi lowongan pekerjaan melalui koneksi memiliki kemungkinan
0,4555 kali untuk mendapatkan pekerjaan pertama dibanding dengan sarjana yang
mendapat informasi dengan mendatangi instansi secara langsung.
Penelitian yang dilakukan Fa’riah dan Purhadi (2012) dengan judul “Analisis
Survival Faktor-Faktor yang Mempengaruhi Laju Kesembuhan Pasien Penderita
Demam Berdarah Dengue (DBD) di RSU Haji Surabaya dengan Regresi Cox”. Dari
penelitian yang dilakukan didapatkan hasil faktor-faktor yang diduga
mempengaruhi laju kesembuhan pasien DBD adalah usia dan trombosit kurang dari
150000/mm3. Risiko sembuh pasien dengan usia satu tahun lebih tua akan lebih
lama dari pada usia pasien yang lebih muda dan risiko untuk mencapai sembuh
pasien dengan trombosit di bawah normal juga akan lebih lama dibanding yang
normal.
Penelitian yang dilakukan Rahmadeni dan Ranti (2016) dengan judul
“Perbandingan Model Regresi Cox Menggunakan Estimasi Parameter Efron
 10

Partial Likelihood dan Breslow Partial Likelihood”. Penelitian tersebut bertujuan

untuk menentukan besarnya hubungan antara variabel independen dengan variabel
dependen pada data diabetes dengan regresi cox proportional hazard menggunakan
pendekatan efron partial likelihood dan Breslow partial likelihood. Dengan
menggunakan seleksi backward diperoleh nilai AIC terkecil menggunakan efron
partial likelihood. Hasil variabel yang mempengaruhi ketahanan hidup pasien
diabetes yaitu variabel CHD dengan menggunakan estimasi efron partial
likelihood.
Penelitian yang dilakukan Prabawati, dkk. (2018) dengan judul “Analisis
Survival Data Kejadian Bersama dengan Pendekatan Efron Partial Likelihood
(Studi Kasus: Lama Masa Studi Mahasiswa Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Mulawarman Angkatan 2011)”. Dari penelitian
tersebut diperoleh hasil dengan menggunakan pendekatan efron partial likelihood
variabel bebas yang berpengaruh signifikan terhadap masa studi masahiswa FMIPA
universitas mulawarman angkatan 2011 sampai dengan 28 Februari 2017 yaitu
variabel jenis kelamin dan IPK mahasiswa.
Penelitian yang dilakukan Andriyanto (2018) dengan judul “Analisis Lama
Waktu Rawat Inap Pasien Stroke Non Hemoragik dengan Pendekatan Regresi Cox
(Studi Kasus: Pasien Stroke Non Hemoragik di RSUD Salatiga, Jawa Tengah).
Pada penelitian yang dilakukan menggunakan metode regresi cox proportional
hazard dengan pendekatan breslow, efron, dan exact. Dari hasil analisis yang
dilakukan didapatkan nilai AIC terkecil menggunakan metode pendekatan exact
dengan empat faktor yang mempengaruhi lama waktu lama inap yaitu kolestrol
total, LDL, GDS dan usia.
Penelitian yang dilakukan oleh Kebebew dan Wencheko (2012) dengan judul
“Survival analysis of HIV-Infected Patients Under Antiretroviral Treatment at the
Armed Forces General Teaching Hospital, Addis Ababa, Ethiopia”. Dalam
penelitian ini menggunakan metode kaplan meier dan regresi cox proportional
hazard. Variabel yang digunakan dalam penelitian ini yaitu gender, marital status,
religion, education level, employment status, no of rooms, household size,
substance use, functional status, risk behavior, TB co-infection, ART regimen, Ols
 11

dan WHO clinical stage. Dengan α = 5% diperoleh variabel yang signifikan yaitu
employment status, functional status, WHO stage, Ols, TB co-infection dan CD4
count. Dari hasil tersebut diperoleh kesimpulan terdapat enam variabel yang
mempengaruhi waktu lama bertahan hidup pasien di rumah sakit militer ethiopia.
 BAB III
LANDASAN TEORI

3.1 HIV/AIDS
3.1.1 Pengertian HIV/AIDS
HIV atau Human Immunodeficiency adalah sejenis virus yang
menyerang/menginfeksi sel darah putih yang menyebabkan kekebalan tubuh
manusia menjadi turun. (Kemenkes RI, 2014). HIV merupakan virus sitopatik
diklasifikasikan dalam family Retroviridae, subfamily Lentiviranae, genus
Lentivirus (Nasronudin, 2007). Menurut KPAD Kabupaten Jember (2015) orang
yang di dalam darahnya terdapat virus HIV tetap dapat tampak sehat, namun
meskipun tampak sehat orang tersebut dapat menularkan virus yang ada kepada
orang lain bila melakukan hubungan seks berisiko dan berbagi penggunaan alat
suntik.
AIDS atau Acquired Immune Deficiency Syndrome adalah sekumpulan gejala
penyakit yang timbul karena turunnya kekebalan tubuh yang disebabkan infeksi
oleh human immunodeficiency virus. Sebelum memasuki fase AIDS, penderita
terlebih dahulu dinyatakan sebagai HIV positif (Kemenkes RI, 2014). Menurut
KPAD Jember yang dikutip dari Gunawan, dkk. (2016) akibat menurunnya
kekebalan tubuh pada seseorang maka orang tersebut mudah terkena penyakit
seperti TBC, saluran pernapasan, kandidiasis, paru dan kanker.
3.1.2 Epidemiologi HIV/AIDS
Secara global, diperkirakan terdapat 42 juta orang hidup dengan virus HIV.
Hampir di semua pelosok dunia, infeksi baru terjadi pada usia muda antara 15-24
tahun, namun kadang kala lebih muda. Kawasan Asia dan Pasifik merupakan urutan
kedua setelah sub-sahara Afrika, merupakan wilayah dengan infeksi HIV yang
berkembang sangat cepat, hamper 60 persen dari populasi di dunia (Nasronudin &
Maramis, 2007).
Epidemi HIV/AIDS juga menjadi masalah di Indonesia yang merupakan
negara dengan urutan ke-5 paling berisiko HIV/AIDS di Asia (Kemenkes RI, 2013).

12
 13

Di Indonesia HIV pertama kali dilaporkan di Bali pada April 1987 dan terjadi pada
orang Belanda. Pada tahun 1999 terdapat 635 kasus HIV dan 183 kasus baru AIDS.
Mulai tahun 2000-2005 terjadi peningkatan kasus HIV secara signifikan di
Indonesia. Kasus AIDS tahun 2000 tercatat 255, meningkat menjadi 316 orang pada
tahun 2003, dan meningkat cepat menjadi 2638 orang pada tahun 2005 (Widiyono,
2011)
3.1.3 Etiologi HIV/AIDS
Pada tahun 1983, ilmuwan Perancis Montagnier mengisolasi virus dari pasien
dengan gejala limfadenopati dan menemukan virus HIV. Oleh sebab itu virus
tersebut dinamakan lymphotropic associated virus (LAV). Di tahun 1984, Gallo
yang berasal dari National Institute of Health menemukan virus human T
lymphotropic virus (HTLV-III) yang juga menyebabkan AIDS (Widiyono, 2011).
Menurut United States Preventive Services Task Force (2011) berdasarkan
strukturnya, HIV masuk ke dalam famili retrovirus yang merupakan kelompok
virus RNA dengan berat molekul 0,7 kb (kilobase). Virus tersebut terdiri dari 2
grup, yaitu HIV-1 dan HIV-2. Diantara kedua grup tersebut, virus yang paling
banyak menimbulkan kelainan dan lebih ganas adalah grup HIV-1.
3.1.4 Patofisiologi Infeksi HIV
Menurut Kummar, dkk. (2015) yang dikutip dari Yuliyanasari (2017) Infeksi
HIV di jaringan memiliki dua target utama yaitu system imun dan sistem saraf
pusat. Gangguan yang terjadi pada sistem imun mengakibatkan kondisi
imunodefisiensi pada cell mediated immunity yang mengakibatkan hilangnya sel T
CD4+ dan ketidaksinambungan fungsi ketahanan sel T helper. HIV masuk ke dalam
tubuh manusia melalui berbagai cara yaitu vertikal, horizontal dan transeksual. Jadi
HIV dapat mencapai sirkulasi sistemik secara langsung dengan diperantarai benda
tajam yang mampu menembus dinding pembuluh darah atau secara tidak langsung
melalui kulit dan mukosa yang tidak intak seperti yang terjadi pada kontak seksual.
Selama dalam sirkulasi sistemik terjadi viremia dengan disertai gejala dan tanda
infeksi virus akut seperti panas tinggi mendadak, nyeri kepala, muntah, dan lain-
lain. Pada vase ini mulai terjadi penurunan CD4 dan peningkatan HIV-RNA Viral
load. Fase selanjutnya, HIV akan berusaha masuk ke dalam sel target. Sel yang
 14

menjadi target HIV adalah sel yang mampu mengekspresikan reseptor CD4
(Nasronudin, 2007).
Diketahui bahwa sejumlah mekanisme untuk menurunkan CD4 dapat
diinduksi oleh infeksi langsung dan destruksi oleh human immunodeficiency virus
(HIV). Kombinasi dari patogenesis virus dan respon dari kekebalan tubuh yang
terjadi selama infeksi mempengaruhi perkembangan dari stadium lanjut penyakit
yang merupakan suatu kompleks dan bervariasi (Longo, dkk, 2011).

3.1.5 Faktor Risiko HIV/AIDS

Faktor risiko epidemiologis infeksi HIV sebagai berikut : (Nasronudin, 2007)
1. Perilaku berisiko tinggi:
- Hubungan seksual dengan pasangan berisiko tinggi tanpa
menggunakan kondom
- Pengguna narkotika intravena, terutama bila pemakaian jarum
secara bersama tanpa sterilisasi yang memadai
- Hubungan seksual yang tidak aman: multipartner, pasangan seks
individu yang diketahui terinfeksi HIV, kontak seks per anal
2. Mempunyai riwayat infeksi menular seksual
3. Riwayat menerima transfusi darah berulang tanpa tes penapisan
4. Riwayat perlukaan kulit, tato, tindik, atau sirkumsisi dengan alat yang
tidak disterilisasi
3.1.6 Gejala HIV/AIDS
Dalam (Kumalasari, 2013) gejala HIV/AIDS dibedakan menjadi 2 yaitu
gejala mayor dan gejala minor. Gejala mayor HIV/AIDS menurut Komisi
Penanggulangan AIDS (KPA) Nasional adalah sebagai berikut:
1. Penurunan berat badan lebih dari 10% dalam waktu yang singkat
2. Diare tinggi berkepanjangan (lebih dari satu bulan)
3. Demam berkepanjangan (lebih dari satu bulan)
Gejala minor HIV/AIDS menurut Komisi Penanggulangan AIDS (KPA)
Nasional adalah sebagai berikut:
1. Batuk berkepanjangan (lebih dari satu bulan)
 15

2. Kelainan kulit dan iritasi (gatal)

3. Infeksi jamur pada mulut dan kerongkongan
4. Pembengkakan kelenjar getah bening di seluruh tubuh, seperti di bawah
telinga, leher, ketiak, dan lipatan paha
3.2 Rekam Medis
Rekam medis diartikan sebagai keterangan baik yang tertulis maupun yang
terekam tentang identitas pasien, anamneses, penentuan fisik laboratorium,
diagnosa segala pelayanan dan tindakan medis yang diberikan kepada pasien dan
pengobatan mulai dari rawat inap, rawat jalan maupun yang mendapatkan
pelayanan gawat darurat (Dewi dan Agustina, 2017). Di dalam Permenkes No.
269/Menkes/Per/III/2008 rekam medis adalah berkas yang berisikan catatan dan
dokumen tentang identitas pasien, pemeriksaan, pengobatan, tindakan dan
pelayanan lain yang telah diberikan kepada pasien.
Menurut Rustiyanto (2009) yang dikutip dari Khoiroh (2019), dalam rangka
upaya peningkatan pelayanan kesehatan di rumah sakit, maka rekam medis
bertujuan untuk menunjang tercapainya tertib administrasi. Tanpa dukungan sistem
pengelolaan yang baik, tertib administrasi di rumah sakit tidak akan berhasil seperti
yang diharapkan. Tertib administrasi merupakan salah satu faktor yang menentukan
upaya pelayanan kesehatan di rumah sakit.
3.3 Analisis Statistika Deskriptif
Statistika deskriptif adalah ilmu yang mempelajari bagaimana cara
menyajikan, menyusun, maupun mengukur nilai-nilai data yang tersedia atau
terkumpul dari suatu penelitian, yang mana akhirnya dapat diperoleh suatu
gambaran yang jelas terhadap obyek yang diteliti sehingga mudah dimengerti oleh
banyak orang (Saleh, 2004). Menurut Walpole dan Myers (1995) statistika
deskriptif merupakan bagian dari statistika yang mempelajari bagaimana cara
pengumpulan dan penyajian data sehingga mudah dipahami sehingga memberikan
suaru informasi yang berguna. Terdapat berbagai bentuk penyajian data yaitu dapat
berupa tabel, grafik, diagram lingkaran, dan lainnya (Sugiyono, 2005).
 16

3.4 Analisis Survival

3.4.1 Pengertian Analisis Survival
Analisis survival adalah metode statistika yang digunakan untuk
menggambarkan analisis data yang berhubungan dengan waktu, mulai dari waktu
awal (time origin) sampai terjadinya suatu peristiwa khusus (event) atau waktu
akhir penelitian (end point). Kejadian khusus (failure event) dapat berupa kejadian
meninggal, kejadian sakit, kambuh nya suatu penyakit, kecelakaan, respon dari
suatu percobaan, atau peristiwa lain yang dipilih sesuai dengan kepentingan peneliti
(Kleinbaum dan Klein, 2005). Analisis survival digunakan dalam menganalisis data
pada suatu kejadian dari awal hingga akhir sehingga dapat diketahui hasil variabel
yang mempengaruhi, seperti waktu yang dapat ditulis dalam hari, minggu, bulan,
atau tahun (Kleinbaum dan Klein, 2011).
Menurut (Collet, 2003) analisis survival banyak diterapkan dalam bidang
ilmu biologi, kedokteran, kesehatan umum seperti daya tahan hidup pasien,
sosiologi, teknik (menganalisis masa hidup lampu pijar), ekonomi dan demografi.
3.4.2 Waktu Survival
Analisis survival menggunakan data berupa data waktu atau disebut juga
sebagai waktu survival. Waktu survival adalah waktu dari awal pengamatan hingga
terjadinya peristiwa kegagalan atau event yang dapat berupa hari, bulan, maupun
tahun. Waktu awal (time origin) adalah waktu terjadinya kejadian awal seperti
seseorang divonis menderita HIV/AIDS, waktu pemberian perlakuan, dan lainnya.
Waktu kegagalan (failure time) merupakan waktu terjadinya kejadian akhir seperti
kesembuhan, kematian dan kejadian lainnya (Collet, 2003).
Dikutip dari (Iskandar, 2015) dalam menentukan waktu survival ada tiga
faktor yang harus diperhatikan, yaitu:
1. Waktu awal pencatatan (time origin) suatu event harus didefiniskan
dengan tepat
2. Waktu akhir pencatatan (failure time) dari kejadian harus jelas, dan
3. Skala pengukuran sebagai batas dari waktu kejadian dari awal sampai
akhir harus jelas.
 17

3.4.3 Penyensoran Data

Menurut Lee & Wang (2003) penyensoran merupakan salah satu langkah
yang harus dilakukan untuk mengatasi data yang tidak lengkap. Data dikatakan
tersensor apabila data tidak dapat diamati secara utuh karena hilangnya subjek
pengamatan atau sampai akhir penelitian subjek tersebut belum mengalami
kejadian tertentu sehingga data tidak dapat teramati secara penuh. Kejadian tersebut
mengindikasikan bahwa belum terjadi peristiwa tertentu pada subjek tersebut
sampai pengamatan selesai. Terdapat tiga penyebab terjadinya penyensoran data
antara lain: (Kleinbaum dan Klein, 2005)
a. Lost to follow up yaitu terdapat subjek pengamatan yang hilang selama
penelitian
b. Subjek pengamatan tidak mengalami suatu event hingga penelitian
c. Subjek pengamatan ditarik dari penelitian karena meninggal, dimana
meninggal merupakan suatu peristiwa yang tidak diperhatikan oleh
peneliti atau alasan yang lain, misalnya reaksi obat yang buruk atau
resiko lainnya.
Jenis penyensoran dalam analisis survival, antara Klein dan Moeschberger
(2003) :
a. Penyensoran Kanan (Right Censoring)
Peyensoran kanan terjadi ketika individu atau objek pengamatan masih
tetap hidup pada waktu yang telah ditentukan. Hal tersebut
mengindikasikan bahwa hingga berakhirnya periode pengamatan event
tidak terjadi pada suatu objek pengamatan, sedangkan waktu awal dari
objek pengamatan dapat diamati secara penuh. Sebagai contoh, seorang
pasien penderita kanker diamati dari awal perawatan hingga akhir
perawatan dan pasien masih hidup. Akan tetapi pasien dengan penyakit
kanker tersebut melanjutkan perawatan ke luar negeri sehingga pasien
tersebut tidak bisa diamati oleh peneliti (lost to follow up). Sehingga pasien
tersebut masuk ke dalam penyensoran kanan atau right censoring.
 18

b. Penyensoran Kiri (Left Censoring)

Penyensoran kiri terjadi ketika pada awal pengamatan, semua informasi
yang diinginkan peneliti telah diperoleh. Hal tersebut mengindikasikan
bahwa tidak teramatinya waktu awal pengamatan akan tetapi sebelum
penelitian berakhir event sudah teramati semua. Sebagai contoh, dilakukan
penelitian tentang pengguna narkoba pada siswa laki-laki di sebuah
sekolahan. Peneliti mengajukan pertanyaan “kapan pertama kali anda
menggunakan narkoba”. Ternyata terdapat beberapa anak yang menjawab
“saya pernah menggunakannya tetapi saya tidak tahu kapan tepatnya
pertama kali saya menggunakannya” sehingga pada kasus ini anak tersebut
mengalami penyensoran kiri.
c. Penyensoran Selang (Interval Censoring)
Penyensoran ini terjadi ketika informasi yang dibutuhkan peneliti telah
diketahui dalam selang waktu pengamatan. Sebagai contoh yaitu pada
makanan tikus diberikan karsinogen. Dilakukan pengamatan selama 10
bulan terhadap 10 tikus, Dari 10 tikus yang diamati ternyata terdapat 2 tikus
yang mati karena kanker pada bulan ke-5 dan ke-7. Sehingga dua tikus yang
mati tersebut mengalami penyensoran selang.
d. Penyensoran Acak (Random Censoring)
Penyensoran acak terjadi ketika objek penelitian mengalami kejadian
(event) atau meninggal yang disebabkan faktor lain bukan dari tujuan
utama penelitian. Contohnya, pada makanan tikus 10 tikus diberikan
karsinogen pada makanannya. Pada saat pengamatan 1 dari 10 tikus mati
karena terjepit dimana mati bukan disebabkan oleh kanker. Hal tersebut
mengakibatkan tikus yang mati mengalami penyensoran acak.
3.4.4 Fungsi Survival
Menurut Lawless (2007) dalam Bahtiar (2018), jika 𝑇 adalah variabel random
tidak negatif berada pada interval [0, ∞) yang menunjukkan waktu individu atau
objek pengamatan hingga terjadi suatu event atau kejadian pada populasi, 𝑓(𝑡)
merupakan fungsi kepadatan peluang dari 𝑡 yang berarti peluang suatu
 19

objek/individu tidak mengalami event sampai waktu t, maka fungsi survival 𝑆(𝑡)
dinyatakan sebagai berikut:

𝑆(𝑡) = 𝑃(𝑇 ≥ 𝑡)

∞
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= ∫𝑡 𝑓(𝑥)𝑑𝑥⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ (3.1)

Berdasarkan definisi fungsi distribusi kumulatif dari T, maka fungsi survival

dapat dituliskan sebagai berikut:

𝑆(𝑡) = 𝑃(𝑇 ≥ 𝑡)

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= 1 − 𝑃(𝑇 ≤ 𝑡)

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= 1 − 𝐹(𝑡)

𝐹(𝑡) = 1 − 𝑆(𝑡)

𝑑(𝐹(𝑡)) 𝑑(1 − 𝑆(𝑡))

=
𝑑𝑡 𝑑𝑡

𝑑(𝑆(𝑡))
⁡⁡𝑓(𝑡) = −
𝑑𝑡

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= −𝑆 ′ (𝑡)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ (3.2)

Hubungan fungsi kepadatan peluang, fungsi distribusi kumulatif dari T

dengan fungsi survival yaitu:

⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑓(𝑡) = 𝐹 ′ (𝑡) = −𝑆 ′ (𝑡)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡ (3.3)

3.4.5 Fungsi Hazard

Fungsi Hazard merupakan fungsi yang menyatakan peluang individu
mengalami kejadian pada waktu t dengan syarat individu tersebut telah bertahan
hingga waktu t (Resti, 2013). Misal 𝑇 variabel random tidak negatif pada interval
[0, ∞) yang menunjukkan waktu individu hingga mengalami event pada suatu
populasi, maka peluang individu tersebut mengalami kejadian pada interval (𝑡 +
∆𝑡) dinyatakan dengan fungsi hazard ℎ(𝑡) (Lawless, 2007):
 20

𝑃(𝑡 ≤ 𝑇 < 𝑡 + ∆𝑡|𝑇 ≥ 𝑡)

ℎ(𝑡) = lim
∆𝑡→0 ∆𝑡

𝑃(𝑡 ≤ 𝑇 < 𝑡 + ∆𝑡, 𝑇 ≥ 𝑡)

⁡⁡⁡⁡⁡⁡⁡⁡⁡= lim
∆𝑡→0 ∆𝑡. 𝑃(𝑇 ≥ 𝑡)

𝑃(𝑡 ≤ 𝑇 < 𝑡 + ∆𝑡)

= lim ⁡⁡⁡
∆𝑡→0 ∆𝑡. 𝑆(𝑡)

𝐹(𝑡 + ∆𝑡) − 𝐹(𝑡)

= lim ⁡⁡⁡
∆𝑡→0 ∆𝑡. 𝑆(𝑡)

1 𝐹(𝑡 + ∆𝑡) − 𝐹(𝑡)

= lim ⁡
𝑆(𝑡) ∆𝑡→0 ∆𝑡

𝐹′ (𝑡) 𝑓(𝑡)
⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡= = 𝑆(𝑡)⁡⁡⁡ (3.4)
𝑆(𝑡)

3.5 Kaplan Meier

Menurut Etikan, dkk. (2017) yang dikutip dalam Pradika dan Avip (2019)
metode kaplan meier merupakan metode estimasi non-parametrik yang terdapat
dalam fungsi survival yang digunakan untuk menggambarkan ketahanan hidup
suatu populasi atau mebandingkan ketahan hidup dua populasi. Estimasi fungsi
ketahanan metode kaplan-meier dirumuskan sebagai berikut (Klein &
Moeschberger, 2005):

𝑆̂(𝑡) = 𝑝̂1 ⁡𝑥⁡𝑝̂ 2 𝑥 … 𝑥𝑝̂ 𝑘

= ∏𝑘𝑗=1 𝑝̂𝑗

𝑛𝑗 −𝑑𝑗
= ∏𝑘𝑗=1 ( ) (3.5)
𝑛𝑗

Untuk 𝑡𝑘 ≤ 𝑡 ≤ 𝑡𝑘+1, dengan 𝑘 = 1,2,3, … , 𝑚 dan 𝑆̂(𝑡) untuk 𝑡 ≤ 𝑡𝑖

di mana :
𝑝̂𝑗 = Probabilitas ketahanan hidup pada waktu ke-j
𝑛𝑗 = Banyaknya individu yang berisiko mengalami kegagalan
 21

𝑑𝑗 = Banyaknya individu yang gagal pada watu ke-j

3.6 Regresi Cox Proportional Hazard

Regresi cox pertama kali dikenalkan oleh ilmuwan asal Inggris yang bernama
David Cox. Regresi cox digunakan untuk mengetahui efek dari beberapa variabel
prediktor atau variabel independen terhadap variabel respon atau variabel dependen
(Cox, 1972). Menurut Lee (1980) dalam Rahmanika (2016) regresi cox termasuk
ke dalam regresi semiparametrik dimana di dalam pemodelannya terdapat
komponen parametrik dan non-parametrik. Tidak seperti regresi yang lain, regresi
cox tidak memiliki asumsi tentang distribusi seperti asumsi yang harus digunakan
pada regresi yang lain. Regresi cox baik digunakan ketika distribusi dari waktu
survival tidak diketahui secara pasti, sehingga hasil estimasi parameter regresi
masih dapat dipercaya.
Menurut Kleinbaum dan Klein (2012) tanpa perlu diketahui ℎ0 (𝑡) metode
regresi cox dapat mengestimasi ℎ0 (𝑡), ℎ0 (𝑡, 𝑥) dan fungsi survival meskipun ℎ0 (𝑡)
tidak spesifik. Hasil dari model cox hampir sama dengan hasil model parametrik.
Penaksiran fungsi hazard dapat digunakan untuk menghitung risiko relatif
terjadinya suatu peristiwa atau kejadian. Pada waktu tertentu, risiko kematian
bergantung terhadap nilai 𝑥1 , 𝑥2 , … , 𝑥𝑝 dari 𝑝 variabel bebas 𝑋1 , 𝑋2 , … , 𝑋𝑝 . Pada
model cox, x dipresentasikan sebagai nilai variabel bebas, sehingga 𝑥 =
(𝑥1 , 𝑥2 , … , 𝑥𝑝 ). Berikut merupakan penulisan model cox (Kleinbaum & Klein,
2005):
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑝 𝑋𝑝 ) (3.6)
dengan,
ℎ(𝑡, 𝑋) : Fungsi Hazard untuk individu pada waktu t dengan karakteristik X
ℎ0 (𝑡) : Fungsi dasar hazard
𝛽1, 𝛽2 , … , 𝛽𝑝 : Koefisien regresi
𝑋1 , 𝑋2, … 𝑋𝑝 : Nilai dari variabel bebas 𝑋1 , 𝑋2 , … , 𝑋𝑝

Ketika semua nilai 𝑥 = 0 maka Rumus 3.6 akan tereduksi menjadi fungsi dasar
hazard, sehingga diperoleh rumus sebagai berikut:
 22

ℎ(𝑡, 0) = ℎ0 (𝑡) (3.7)

3.7 Kejadian Bersama dalam Partial Likelihood

Dalam analisis survival sering ditemukan kejadian bersama atau yang biasa
dikenal dengan ties. Ties diartikan sebagai kejadian dimana dua individu atau lebih
pada waktu yang bersamaan mengalami kejadian yang sama. Permasalahan yang
terjadi dalam membentuk partial likelihood yaitu ketika menentukan anggota dari
himpunan resiko biasanya muncul jika terjadi ties dalam sebuah data survival. Di
bawah ini merupakan contoh data ties:
Tabel 3.1 Contoh data Ties Analisis Survival
(Klein dan Mochberger, 2003)

i 1 2 3 4

ti 5 5 6 7

Berdasarkan Tabel 3.1 dimisalkan i merupakan suatu individu ke-i dan ti

merupakan waktu kejadian individu ke-i. Pada waktu t = 5 terdapat dua individu
yang mengalami kejadian bersama, namun tidak diketahui individu mana yang
lebih dahulu mengalami kejadian. Adanya kejadian bersama ini dapat
menimbulkan permasalahan ketika estimasi parameter. Menurut Klein dan
Mochbeger (2003) terdapat metode alternatif unruk menangani ties yaitu metode
partial likelihood breslow, metode partial likelihood efron dan metode partial
likelihood exact.

3.7.1 Metode Partial Likelihood Breslow

Menurut Susenati (2015) yang dikutip dari Imanina (2018) metode partial
likelihood breslow merupakan metode yang paling sederhana. Hal ini disebabkan
karena tingkat komputasi metode yang tidak intensif. Bentuk persamaan metode
breslow adalah sebagai berikut:

exp⁡(𝛽𝑆𝑘 )
𝐿(𝛽𝐵𝑟𝑒𝑠𝑙𝑜𝑤 ) = ∏𝑖∈𝐷 𝑑𝑘 (3.8)
[∑𝑖∈𝑅 exp⁡(𝛽𝑋𝑖 )]
𝑡𝑖
 23

di mana :

𝐿(𝛽𝐵𝑟𝑒𝑠𝑙𝑜𝑤 )⁡ : Penduga kemungkinan maksimum dari parameter 𝛽 dengan

metode partial likelihood breslow
𝛽 : Parameter dari model regresi yang akan diestimasi
𝑆𝑘 : Jumlah variabel independen (X) pada waktu kejadian bersama
D : Himpunan indeks k dari semua waktu kejadian (semua tk yang
mendapatkan event)
𝑅(𝑡𝑖) : Himpunan resiko semua individu yang belum memperoleh
kejadian pada saat tertentu
𝑋𝑖 : Variabel independen
𝑑𝑘 : Banyaknya kejadian bersama (ties) pada waktu ke tk

3.7.2 Metode Partial Likelihood Efron

Imanina (2018) menguraikan bahwa metode partial likelihood efron Metode
partial likelihood efron merupakan metode yang tingkat komputasinya sedih lebih
intensif dibabnding dengan metode partial likelihood breslow. Metode partial
likelihood efron diuraikan oleh Klein dan Mochberger (2003) dan Efron (1977)
menawarkan pendekatan Efron yang memiliki persaman sebagai berikut:

exp⁡(𝛽𝑆𝑘 )
𝐿(𝛽𝑒𝑓𝑟𝑜𝑛 ) = ⁡ ∏𝑖∈𝐷 𝑑𝑘 𝑗−1
(3.9)
∏𝑖=1[∑𝑖∈𝑅𝑡 exp(𝛽𝑋𝑖 )− ∑ exp⁡(𝛽𝑋𝑖 )]
𝑖 𝑑𝑘 𝑖𝜖𝐷𝑘

di mana :

𝐿(𝛽𝐸𝑓𝑟𝑜𝑛 ) : Penduga kemungkinan maksimum dari parameter 𝛽 dengan

metode partial likelihood efron
𝛽 : Parameter dari model regresi yang akan diestimasi
𝑆𝑘 : Jumlah variabel independen (X) pada waktu kejadian bersama
D : Himpunan indeks k dari semua waktu kejadian (semua tk yang
mendapatkan event)
𝑑𝑘 : Banyaknya kejadian bersama (ties) pada waktu ke tk
 24

𝑅(𝑡𝑖) : Himpunan resiko semua individu yang belum memperoleh

kejadian pada saat tertentu
𝑋𝑖 : Variabel independen
𝐷𝑘 : Himpunan individu yang mendapat kejadian pada waktu ke-tk

3.7.3 Metode Partial Likelihood Exact

Menurut Collet (2003) metode pendekatan partial likelihood exact
merupakan metode yang memiliki tingkat komputasi yang sangat intensif namun
mampu menghasilkan estimasi parameter yang memiliki bias mendekati 0
meskipun terdapat data kejadian bersama atau ties dalam ukuran yang besar. Bentuk
persaman pendekatan partial likelihood exact adalah sebagai berikut:

exp⁡(𝛽𝑆𝑘 )
𝐿(𝛽𝐸𝑥𝑎𝑐𝑡 ) = ∏𝑖∈𝐷 ∑ (3.10)
𝑖∈𝑅𝑡𝑖,𝑑𝑘 exp⁡(𝛽𝑋𝑖 )

di mana :

𝐿(𝛽𝐵𝑟𝑒𝑠𝑙𝑜𝑤 )⁡ : Penduga kemungkinan maksimum dari parameter 𝛽 dengan

metode partial likelihood exact
𝛽 : Parameter dari model regresi yang akan diestimasi
𝑆𝑘 : Jumlah variabel independen (X) pada waktu kejadian bersama
D : Himpunan indeks k dari semua waktu kejadian (semua tk yang
mendapatkan event)
𝑅𝑡𝑖 : Himpunan resiko semua individu yang belum memperoleh
kejadian pada saat tertentu
𝑋𝑖 : Variabel independen
𝑑𝑘 : Banyaknya kejadian bersama (ties) pada waktu ke tk

3.8 Pengujian Parameter

Di dalam regresi cox proportional hazard perlu dilakukan pengujian
signifikansi parameter. Hal ini bertujuan agar dapat diketahui apakah variabel
independen berpengaruh nyata terhadap model cox yang terbentuk. Pengujian
 25

signifikansi yang dilakukan yaitu uji secara simultan (overall) dan uji parsial
(Kleinbaum dan Klein, 2005)
3.8.1 Uji Serentak (overall)
Uji serentak bertujuan untuk mengetahui pengaruh variabel independen
secara serentak atau bersama-sama terhadap variabel dependen (waktu survival).
Model yang telah diperoleh perlu diuji signifikansi pada koefisien 𝛽 terhadap
variabel dependen atau variabel respon. Pengujian secara secara serentak dilakukan
menggukanan partial likelihood ratio dengan langkah sebagai berikut:
1. Hipotesis
𝐻0 :⁡𝛽1 = 𝛽2 = ⋯ = 𝛽𝑝 = 0 (Secara simultan variabel independen tidak
berpengaruh terhadap variabel dependen)
𝐻1 : Minimal terdapat satu 𝛽𝑗 ≠ 0,⁡dengan 𝑗 = 1,2, … , 𝑝 (Minimal terdapat
satu variabel independen yang berpengaruh secara simultan terhadap
variabel dependen)
2. Tingkat Signifikansi
𝛼 = 5% = 0.05
3. Daerah Kritis
2
H0 ditolak jika G ≥ 𝑋(𝛼,𝑑𝑏=𝑝) atau p-value < α.
4. Statistik Uji
𝐺 = −2[ln 𝐿𝑅 − ln 𝐿𝑓 ] (3.11)
G merupakan statistik uji secara simultan (overall), LR yaitu model awal
partial likelihood, dan Lf merupakan model akhir partial likelihood.
5. Keputusan
2
H0 ditolak, karena G ≥ 𝑋(𝛼,𝑑𝑏=𝑝) atau p-value < α
6. Kesimpulan
Ketika H0 ditolak, dapat disimpulkan bahwa minimal terdapat satu
variabel independen berpengaruh terhadap waktu survival atau variabel
dependen.
 26

3.8.2 Parsial
Uji parsial bertujuan untuk mengetahui variabel independen yang
berpengaruh secara nyata. Dalam mengetahui apakah variabel independen
berpengaruh secara nyata maka dalam uji parsial digunakan uji wald. Statistik uji
parsial dinotasikan dengan Z yang mengikuti disribusi normal standar, sehingga
dibandingkan dengan tabel nilai 𝑍𝛼/2. Perbandingan 𝑍𝛼/2 karena hipotesis alternatif
pada uji parsial adalah dua sisi.
1. Hipotesis
𝐻0 : 𝛽𝑗 = 0 dengan 𝑗 = 1,2 … , 𝑝 (variabel independen 𝑗 tidak berpengaruh
terhadap waktu survival)
𝐻1 : 𝛽𝑗 ≠ 0, dengan 𝑗 = 1,2, … , 𝑝 (variabel independen 𝑗 berpengaruh
terhadap waktu survival)
2. Tingkat Signifikansi
𝛼 = 5% = 0.05
3. Daerah Kritis
H0 ditolak jika |𝑍| > 𝑍𝛼/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡𝛼,
4. Statistik Uji
̂
𝛽
𝑍 = 𝑆𝐸(𝛽𝑗̂ ) (3.12)
𝑗

Z merupakan statistik uji secara parsial, 𝛽̂𝑗 merupakan parameter dari

model regresi ke-j yang akan diestimasi, dan 𝑆𝐸(𝛽̂𝑗 ) merupakan standar
error parameter dari model regresi ke-j yang akan diestimasi.
5. Keputusan
Tolak H0 karena |𝑍| > 𝑍𝛼/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡𝛼
6. Kesimpulan
Ketika H0 ditolak, disimpulkan bahwa variabel independen berpengaruh
terhadap waktu survival.

3.9 Pemilihan Model Terbaik

Hubungan waktu survival dengan variabel independen dapat digambarkan
menggunakan nilai AIC dan metode seleksi backward. Metode seleksi backward
 27

merupakan proses eliminasi dengan cara memasukkan semua variabel ke model dan
dilakukan eliminasi satu persatu variabel berdasarkan kriteria keputusannya.
Metode AIC merupakan metode yang dapat digunakan untuk memilih model
regresi terbaik yang dikemukakan oleh Akaike dan Schwarz (Grasa, 1989). Model
terbaik didapatkan pada nilai AIC yang paling kecil. Collect (2004) menguraikan
cara untuk memilih beberapa model untuk memilih model terbaik sebagai berikut:
𝐴𝐼𝐶 = −2𝑙𝑛𝐿̂ + 2𝑘 (3.13)
dimana :
𝐿̂: Nilai likelihood
𝑘: Banyaknya parameter 𝛽.
3.10 Pengujian Asumsi Proportional Hazard
Dalam melakukan pengecekan asumsi proportional hazard dilakukan
menggunakan penaksiran goodness of fit. Dibanding dengan metode grafis, statistik
uji pada evaluasi asumsi menggunakan penaksiran goodness of fit lebih lebih
objektif. Statistik uji yang digunakan yaitu schoenfeld residuals. Nilai Schoenfeld
residuals sebagai berikut: (Kleinbaum dan Klein, 2005)
𝑟𝑗𝑖 = 𝛿𝑖 {𝑥𝑖𝑗 − 𝑎̂𝑖𝑗 } (3.14)
̂ 𝑥𝑗
∑𝑖∈𝑅𝑡 𝑥𝑖𝑗 𝑒𝑥𝑝𝛽
𝑗
Dengan, 𝑎̂𝑗𝑖 = ̂ 𝑥𝑗
∑𝑖∈𝑅𝑡 𝑒𝑥𝑝𝛽
𝑗

Dimana,
𝛿𝑖 : Status individu bernilai 0 jika tersensor dan 1 jika tidak tersensor
𝑥𝑖𝑗 : Nilai variabel independen ke-i, i = 1,2, . . . , p untuk individu ke-j
𝑎̂𝑖𝑗 : Rataan terboboti dari variabel independen ke-i untuk individu
dalam 𝑅(𝑡𝑗 )
𝑅(𝑡𝑗 ) : Himpunan individu yang berisiko mengalami event saat 𝑡𝑗 .
Jika asumsi proportional hazard terpenuhi maka schoenfeld residuals untuk
kovariat tersebut tidak akan berkorelasi dengan peringkat waktu survival, adapun
langkah pengujiannya sebagai berikut:
a. Mencari model cox proportional hazard dan menghitung schonefeld
residuals pada masing-masing individu pada setiap kovariat.
 28

b. Membuat variabel yang menyatakan peringkat dari waktu ketahanan.

c. Pada langkah satu dan dua diuji korelasi antar variabel dengan schoenfeld
residuals, dimana H0 terdapat korelasi antara Schoenfeld residuals dan rank
waktu ketahanan, dan h1 merupakan tidak terpenuhinya asumsi proportional
hazard. Penolakan hipotesis nol berarti asumsi proportional hazard tidak
terpenuhi. Menurut Kleinbaum dan Klein (2005), nilai 𝑝-value merupakan
ukuran yang digunakan dalam mengecek asumsi proportional hazard, jika
nilai 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < 0.05 maka kovariat yang diuji tidak memenuhi asumsi
proportional hazard.
3.11 Interpretasi Model Regresi Cox
Menurut Lee dan Wang (2003) yang dikutip dari Susenati (2005) hazard ratio
mampu menunjukkan peningkatan/penurunan risiko sebuah individu yang diberi
perlakuan tertentu. Misal terdapat dua individu dengan karakteristik tertentu maka
dari persamaan umum cox proportional hazard diperoleh rumus untuk menduga
hazard ratio yaitu:
ℎ𝑖 (𝑡)
𝐻𝑅 =
ℎ𝑗 (𝑡)
ℎ0 (𝑡)exp⁡(𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + ⋯ + 𝛽𝑝 𝑥𝑝𝑖 )
=
ℎ0 (𝑡)exp⁡(𝛽1 𝑥1𝑗 + 𝛽2 𝑥2𝑗 + ⋯ + 𝛽𝑝 𝑥𝑝𝑗 )
= exp⁡{𝛽1 (𝑥1𝑖 − 𝑥1𝑗 ) + 𝛽2 (𝑥2𝑖 − 𝑥2𝑗 ) + ⋯ + 𝛽1 (𝑥𝑝𝑖 − 𝑥𝑝𝑗 )} (3.15)
Terdapat tiga macam ketentuan tentang berkurang atau bertambahnya nilai hazard,
yaitu:
a. 𝛽𝑗 > 0 artinya setiap naiknya nilai 𝑥𝑗 maka nilai hazard bertambah besar
atau risiko seorang individu mengalami event semakin besar.
b. 𝛽𝑗 < 0 artinya setiap naiknya nilai 𝑥𝑗 maka nilai hazard semakin kecil atau
risiko seorang individu untuk mengalami event semakin kecil.
c. 𝛽𝑗 = 0 artinya besar resiko seorang individu untuk hidup sama dengan
resiko individu untuk mengalami event.
 BAB IV
METODOLOGI PENELITIAN

4.1 Populasi dan Sampel Penelitian

Populasi yang digunakan dalam penelitian ini adalah data rekam medis pasien
penderita HIV/AIDS di RSUD RAA Soewondo Pati. Sampel yang digunakan
adalah pasien penderita HIV/AIDS dari tahun 2015 – 2019.

4.2 Jenis dan Sumber Data

Jenis data yang digunakan oleh peneliti merupakan data sekunder. Data yang
digunakan sebanyak 121 data rekam medis. Sumber data pada penelitian ini yaitu
data rekam medis pasien penderita HIV/AIDS di RSUD RAA Soewondo Pati pada
tahun 2015-2019.

4.3 Variabel Penelitian

Variabel penelitian merupakan suatu atribut atau sifat dari suatu obyek atau
kegiatan yang mempunyai variasi tertentu yang ditetapkan oleh peneliti untuk
dipelajari dan ditarik kesimpulan.
1. Variabel Dependen (Y)
Variabel dependen atau variabel terikat merupakan variabel yang
dipengaruhi atau yang menjadi akibat. Variabel dependen dalam penelitian
ini adalah lama waktu bertahan hidup pasien penderita HIV/AIDS mulai
dari waktu awal pasien di diagnose HIV/AIDS, dimana pasien dinyatakan
meninggal merupakan event-nya.
2. Variabel Independen (X)
Variabel independen atau variabel bebas merupakan variabel yang
mempengaruhi atau menjadi sebab perubahan variabel dependen. Variabel
independen yang digunakan adalah usia, jenis kelamin, status pernikahan,
pendidikan, status pekerjaan, faktor risiko penularan, stadium klinis, berat
badan, infeksi oportunistik dan status TB.

29
 30

4.4 Definisi Operasional Variabel

Variabel yang digunakan dalam penelitian ini berdasarkan dari penelitian
sebelumnya, berikut variabel-variabel yang digunakan:
1. Lama Waktu Bertahan Hidup (Y)
Lama waktu bertahan hidup merupakan waktu yang diperlukan pasien
penderita HIV/AIDS untuk bertahan hidup, terhitung dari awal pasien di
diagnosa menderita HIV/AIDS hingga terjadinya event, yaitu ketika pasien
HIV/AIDS dinyatakan meninggal dengan satuan hari.
2. Usia (X1)
Variabel ini merupakan usia pasien yang tercantum pada data rekam medis
RSUD RAA Soewondo Pati dalam satuan tahun.
3. Jenis Kelamin (X2)
Variabel ini merupakan jenis kelamin pasien HIV/AIDS sebagai ciri
khusus (organ reproduksi) yang dimiliki pasien HIV/AIDS. Jenis kelamin
dikategorikan sebagai berikut :
0 = Laki -Laki
1 = Perempuan
4. Status Pernikahan (X3)
Variabel ini merupakan status pernikahan pasien yang dikategorikan
menjadi :
0 = Belum Menikah
1 = Sudah Menikah
5. Pendidikan (X4)
Variabel ini merupakan pendidikan terakhir pasien yang diketegorikan
menjadi :
1 = Tidak tamat SMP
2 = Tamat SMP
3 = Tamat SMA
4 = Tamat Perguruan Tinggi
 31

6. Status Pekerjaan (X5)

Variabel ini merupakan status pekerjaan pasien yang dikategorikan
menjadi :
0 = Tidak Bekerja
1 = Bekerja
7. Faktor Risiko Penularan (X6)
Variabel ini merupakan faktor resiko penularan yang dialami oleh pasien,
dikategorikan sebagai berikut :
1 = Heteroseksual
2 = Homoseksual
3 = Biseksual
4 = Perinatal
5 = IDU/Jarum Suntik
6 = Tidak Diketahui
8. Stadium Klinis (X7)
Variabel ini merupakan stadium klinis pasien saat didiagnosa HIV/AIDS
yang dikategorikan sebagai berikut:
1 = Stadium Ringan (Stadium I dan II)
2 = Stadium Berat (Stadium III dan IV)
9. Berat Badan (X8)
Variabel ini merupakan berat badan yang dimiliki pasien saat pertama
didiagnosa HIV/AIDS. Satuan dari variabel berat badan adalah kg.
10. Infeksi Oportunistik (X9)
Variabel ini merupakan infeksi oportunistik yang dimiliki pasien saat
pertama didiagnosa HIV/AIDS yang dikategorikan sebagai berikut:
0 = Tidak Ada
1 = Ada
11. Status TB (X10)
Variabel ini merupakan status penyakit tuberculosis (TB) pada pasien saat
didiagnosa HIV/AIDS yang dikategorikan sebagai berikut:
0 = TB Positif
 32

1 = TB Negatif

4.5 Metode Analisis Data

Metode analisis data dalam penelitian ini adalah analisis deskriptif yang
diguanakan untuk melihat gambaran dari masing-masing variabel serta analisis
regresi cox proportional hazard dengan metode breslow, efron dan exact yang
digunakan untuk mengetahui faktor-faktor apa saja yang diduga mempengaruhi
lama pasien HIV/AIDS bertahan hidup.
4.6 Tahapan Penelitian
Flowchart di bawah ini menggambarkan tahapan penelitian:

Mulai

Pengumpulan Data

Analisis Deskriptif

Estimasi Parameter Regresi Cox

Estimasi parameter dengan pendekatan breslow, efron dan exact

Penyusunan Persamaan Regresi Cox

berdasakan nilai AIC terkecil

Pengujian Parameter

Pengujian Asumsi Proportional Hazard

Interpretasi Model Cox Proportional Hazard

Kesimpulan Dan Saran

Selesai

Gambar 4.1 Flowchart Penelitian

 33

Berdasarkan Gambar 4.1 dapat dijelaskan tahapan penelitian sebagai

berikut:

1. Pengumpulan Data
Pada tahap ini, penulis mengumpulkan data yang akan digunakan dalam
analisis. Data yang digunakan yaitu data HIV/AIDS yang diperoleh dari
data rekam medis RSUD RAA Soewondo Pati.
2. Analisis Deskriptif
Analisis deskriptif digunakan untuk memberikan gambaran umum
mengenai data yang digunakan. Analisis deskriptif yang digunakan yaitu
menggunakan diagram.
3. Estimasi Parameter Regresi Cox
Estimasi parameter digunakan untuk mengetahui varibel mana saja yang
berpengaruh terhadap lama waktu bertahan hidup pasien. Estimasi yang
dilakukan menggunakan pendekatan breslow, efron dan exact.
4. Penyusunan Persamaan Regresi Cox
Penyusunan persamaan regresi cox dilakukan berdasarkan nilai AIC
terkecil. Dari beberapa pendekatan yang dilakukan dipilihlah nilai AIC
terkecil untuk dibentuk sebuah persamaan regresi cox terbaik.
5. Pengujian Parameter
Pengujian parameter dilakukan dengan uji serentak dan uji parsial. Hal ini
dilakukan apakan variabel tersebut berpengaruh secara signifikan atau
tidak.
6. Pengujian Asumsi Proportional Hazard
Dalam analisis survival menggunakan regresi cox dibutuhkan sebuah
asumsi proportional hazard.
7. Interpretasi Model Cox Proportional Hazard
Interpretasi dilakukan dengan melihat hazard ratio karena mampu
menunjukkan peningkatan/penurunan risiko sebuah individu yang diberi
perlakuan tertentu.
 34

8. Kesimpulan dan Saran

Dalam tahap ini didapatkan kesimpulan dari analisis yang telah dilakukan
serta saran untuk kedepannya.
 BAB V
HASIL DAN PEMBAHASAN

Pada bab ini akan dibahas mengenai faktor-faktor yang mempengaruhi lama
waktu bertahan hidup pasien HIV/AIDS menggunakan regresi cox proportional
hazard dengan metode pendekatan breslow, efron dan exact. Dalam penelitian ini
event atau kejadiannya adalah ketika pasien dinyatakan meninggal karena penyakit
HIV/AIDS.

5.1 Analisis Statistika Deskriptif

Analisis statistika deskriptif digunakan untuk memberikan gambaran secara
umum dari data yang diperoleh. Pada penelitian ini mengambil data pasien
HIV/AIDS dari Januari tahun 2015 hingga Desember 2019. Hasil penelitian ini
diperoleh pasien yang mengalami event (meninggal) sebanyak 94 orang dan yang
tersensor sebanyak 27 orang. Berikut penjelasan analisis deskriptif masing-masing
variabel :
Tabel 5.1 Analisis Deskriptif

Variabel Mean Min Maks

Waktu Survival (Hari) 587.4 9 1820
Usia (Tahun) 42.17 0.08 71
BB (Kg) 50.96 5 75

Dari Tabel 5.1 diatas diperoleh informasi bahwa rata-rata waktu survival
pasien HIV/AIDS yaitu 587,4 hari dengan waktu minimal yaitu 9 hari dan maksimal
1820 hari. Pasien HIV/AIDS rata-rata berumur 42,17 tahun dengan pasien paling
muda berumur 0.08 tahun atau 1 bulan dan paling tua berumur 71 tahun. Untuk
berat badan pasien mempunyai rata-rata 50,96 kg dengan berat badan terkecil 5 kg
dan berat badan terbesar yaitu 75 kg.

35
 36

Gambar 5.1 Grafik Jenis Kelamin

Gambar 5.1 merupakan grafik jenis kelamin pasien HIV/AIDS. Dari grafik
tersebut diperoleh informasi pasien HIV/AIDS yang berjenis kelamin perempuan
sebanyak 41% (50 orang) dan berjenis kelamin laki-laki sebanyak 59% (70 orang).
Dapat dilihat berdasarkan data diatas pasien HIV/AIDS lebih banyak berjenis
kelamin laki-laki.

Gambar 5.2 Grafik Status Pernikahan

Pada gambar diatas diperoleh informasi bahwa sebanyak 104 pasien (86%)
yang menderita HIV/AIDS adalah pasien yang telah menikah. Hal ini menunjukkan
bahwa pasien HIV/AIDS dengan status pernikahan sudah menikah lebih besar
dibandingkan dengan pasien HIV/AIDS dengan status pernikahan belum menikah.
 37

Gambar 5.3 Grafik Status Pekerjaan

Gambar 5.3 merupakan grafik status pekerjaan pasien HIV/AIDS. Dari
grafik tersebut diperoleh informasi pasien HIV/AIDS yang bekerja sebanyak 83%
(101 orang) dan tidak bekerja sebanyak 17% (20 orang). Dapat dilihat berdasarkan
data diatas pasien HIV/AIDS lebih banyak yang bekerja dibandingkan dengan
pasien yang tidak bekerja.

Gambar 5.4 Grafik Stadium

Stadium menunjukkan indikator yang baik dalam survival pasien. Pada
Gambar 5.4 memberikan informasi bahwa dari jumlah keseluruhan sebanyak 121
pasien HIV/AIDS di RSUD RAA Soewondo Pati, 79% pasien (91 pasien) memiliki
stadium berat dan 25% (30 pasien) memiliki stadium ringan.
 38

Gambar 5.5 Grafik Status Tuberculosis

Gambar 5.5 merupakan grafik status tuberculosis pasien HIV/AIDS di
RSUD RAA Soewondo pati. Dari gambar tersebut diperoleh informasi bahwa 85%
(103 pasien) mempunyai status negatif atau tidak menderita tuberculosis dan 15%
(18 pasien) positif. Hal tersebut menunjukkan mayoritas pasien tidak menderita
tuberculosis.

Gambar 5.6 Grafik Infeksi Oportunistik

Pasien HIV/AIDS tidak hanya berasal dari virus melainkan juga dapat
dipengaruhi oleh infeksi oportunistik dan komplikasi lain yang dapat menyebabkan
kematian. Dari Gambar 5.6 dapat diketahui 98% (118 pasien) menderita infeksi
oportunistik dan 2% (3 pasien) tidak menderita infeksi oportunistik. Dari grafik
yang ada terlihat jelas bahwa terdapat perbedaan jumlah yang cukup besar antara
jumlah pasien yang menderita infeksi oportunistik dengan jumlah pasien yang tidak
menderita infeksi oportunistik, akan tetapi variabel ini akan tetap digunakan dalam
 39

perhitungan regresi karena bila HIV/AIDS diikuti oleh virus lain diduga akan
mempercepat terjadinya kematian.

Gambar 5.7 Grafik Pendidikan

Pendidikan sangat erat kaitannya dengan pengetahuan seseorang. Pada
Gambar 5.7 dapat diketahui bahwa mayoritas pasien HIV/AIDS memiliki
pendidikan tidak tamat smp yaitu sebanyak 64 pasien. 31 pasien memiliki
pendidikan tamat SMP, 19 pasien tamat SMA dan 7 pasien tamat perguruan tinggi.

Gambar 5.8 Grafik Faktor Risiko Penularan

Gambar 5.8 merupakan grafik faktor risiko penularan HIV/AIDS pada
pasien di RSUD RAA Soewondo Pati. Pada grafik tersebut terlihat bahwa sebagian
besar pasien HIV/AIDS tertular penyakit melalui heteroseksual yaitu sebanyak 112
 40

pasien. Untuk pasien yang tertular melalui homoseksual sebanyak 4 pasien, melalui
biseksual sebanyak 3 pasien. Pasien dengan risiko penularan melalui perinatal
sebanyak 1 pasien dan yang tidak diketahui risiko penularannya sebanyak 1 pasien.

5.2 Analisis Kaplan Meier

Gambar 5.9 Kurva Kaplan Meier Berdasarkan Jenis Kelamin

Jenis kelamin merupakan salah satu faktor yang diduga mempengaruhi

survival pasien HIV/AIDS. Pada Gambar 5.9 dapat dilihat bahwa kurva kaplan
meier pada variabel jenis kelamin laki-laki cenderung berada diatas kurva survival
pasien jenis kelamin perempuan. Hal ini menunjukkan bahwa pasien dengan jenis
kelamin laki-laki memiliki peluang survival lebih baik dibandingkan jenis kelamin
perempuan.

Gambar 5.10 Kurva Kaplan Meier Berdasarkan Usia

 41

Pada Gambar 5.10 dapat dilihat bahwa kurva kaplan meier pada pasien
dengan usia lebih dari 35 tahun cenderung berada diatas kurva survival pasien yang
memiliki berusia dibawah 35 tahun. Dari grafik tersebuk menunjukkan bahwa
peluang survival pasien HIV/AIDS yang berusia lebih dari 35 tahun lebih rendah
dibandingkan pasien yang berumur kurang dari sama dengan 35 tahun. Hal ini
diduga pasien berumur dibawah 35 tahun memiliki daya tahan tubuh yang lebih
baik dibandingkan pasien dengan umur diatas 35 tahun.

Gambar 5.11 Kurva Kaplan Meier Berdasarkan Status Pekerjaan

Pada Gambar 5.11 dapat dilihat bahwa kurva kaplan meier pada variabel
status pekerjaan dengan kategori pekerjaan tidak bekerja cenderung berada diatas
kurva survival pasien yang memiliki pekerjaan. Dari grafik tersebuk menunjukkan
bahwa peluang survival pasien HIV/AIDS yang memiliki pekerjaan lebih rendah
dibandingkan pasien yang tidak bekerja. Hal ini diduga pasien yang memiliki
pekerjaan cenderung mengalami kesibukan yang lebih padat sehingga pasien yang
tidak bekerja lebih rutin menjalani pengobatan dibandingkan pasien yang memiliki
pekerjaan.

Gambar 5.12 Kurva Kaplan Meier Berdasarkan Status Pernikahan

 42

Pada Gambar 5.12 dapat dilihat bahwa kurva kaplan meier pada variabel
status pernikahan salin berhimpitan. Hal ini diduga bahwa tidak ada perbedaan
waktu survival pasien HIV/AIDS yang sudah menikah dan belum menikah.

5.3 Estimasi Paramter Regresi Cox dengan Pendekatan Breslow

Estimasi parameter dengan metode pendekatan breslow merupakan metode
estimasi parameter sederhana jika dibandingkan dengan metode estimasi parameter
lainnya. Pemilihan variabel yang akan dikeluarkan dalam model pada penelitian ini
menggunakan seleksi backward. Berikut hasil perhitungan estimasi parameter
regresi cox dengan pendekatan breslow :
Tabel 5.2 Hasil Estimasi Parameter Regresi Cox dengan Pendekatan Breslow

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X1 0.02624 1.027 0.01369 1.917 0.05521 Gagal Tolak
H0
X2 0.004052 1.004 0.2952 0.014 0.98905 Gagal Tolak
(Laki-Laki) H0
X3 -0.01848 0.9817 0.4055 -0.046 0.96365 Gagal Tolak
(Belum H0
Menikah)

X4 (SMP) 0.4877 1.629 0.3377 1.444 0.14865 Gagal Tolak

H0
X4 (SMA) 0.2343 1.264 0.3903 0.600 0.54819 Gagal Tolak
H0
X4 (PT) 0.8348 2.304 0.5468 1.527 0.12689 Gagal Tolak
H0
X5 -0.8234 0.4390 0.4219 -1.951 0.05101 Gagal Tolak
(Tidak Bekerja) H0
X6 1.805 6.078 0.6641 2.717 0.00658 Tolak H0
(Homoseksual)
 43

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X6 (Biseksual) -0.1142 0.8920 0.7110 -0.161 0.87234 Gagal Tolak
H0
X6 (Perinatal) -13.74 0.0000010 2847 -0.005 0.99615 Gagal Tolak
81 H0
X6 0.9323 2.540 1.171 0.769 0.42602 Gagal Tolak
(Tidak H0
Diketahui)

X7 -0.8609 0.4228 0.3415 -2.521 0.01170 Tolak H0

(Stadium

Ringan)

X8 0.01735 1.018 0.01567 1.107 0.26821 Gagal Tolak

H0
X9 -0.3816 0.6828 1.059 -0.360 0.71863 Gagal Tolak
(Tidak Ada) H0
X10 (Positif) -0.05789 0.9438 0.329 -0.174 0.86196 Gagal Tolak
H0

Tabel 5.2 di atas merupakan hasil perhitungan estimasi parameter

menggunakan pendekatan breslow. Langkah selanjutnya yaitu menentukan model
terbaik menggunakan metode eliminasi backward dengan kriteria AIC. Metode
eliminasi backward merupakan suatu cara untuk mendapatkan model terbaik
dengan mengeluarkan satu per satu nilai p-value paling besar yang tidak signifikan.
Dalam tabel awal didapatkan variabel yang signifikan yaitu variabel faktor risiko
penularan dengan kategori homoseksual dan variabel stadium dengan kategori
stadium ringan. Setelah dilakukan eliminasi backward variabel faktor risiko
penularan tidak digunakan karena memiliki nilai p-value > α dan faktor risiko
penularan hanya untuk mengetahui risiko penularan pasien namun tidak
mempunyai pengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
 44

Berdasarkan perhitungan menggunakan software R maka diperoleh persamaan

model terbaik sebagai berikut:
Tabel 5.3 Hasil Estimasi Parameter Terbaik dengan Pendeketan Breslow

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X5 (Pekerjaan -1.00934 0.36446 0.38408 -2.628 0.00859 Tolak H0
Tidak Bekerja)

X7 (Stadium -0.90017 0.40650 0.28449 -3.164 0.00156 Tolak H0

Ringan)

X8 0.01658 1.01627 0.0114 1.455 0.14571 Gagal Tolak

H0

Setelah dilakukan eliminasi didapatkan persamaan model terbaik yang dapat

menggambarkan hubungan antara waktu survival dengan beberapa variabel bebas
secara tepat berdasarkan nilai AIC dengan melihat nilai AIC terkecil pada hasil
berikut:
Tabel 5.4 Hasil Nilai AIC dengan Metode Breslow

Variabel Nilai AIC

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

Pekerjaan, Faktor Risiko Penularan, Stadium Klinis, Berat 783.2581
Badan, Infeksi Oportunistik, Status TB

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

Pekerjaan, Stadium Klinis, Berat Badan, Infeksi Oportunistik, 782.2311
Status TB

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

780.2638
Pekerjaan, Stadium Klinis, Berat Badan, Infeksi Oportunistik

Usia, Status Pernikahan, Pendidikan, Status Pekerjaan,

778.3229
Stadium Klinis, Berat Badan, Infeksi Oportunistik
 45

Variabel Nilai AIC

Usia, Status Pernikahan, Pendidikan, Status Pekerjaan,

776.5636
Stadium Klinis, Berat Badan

Usia, Pendidikan, Status Pekerjaan, Stadium Klinis, Berat

774.9516
Badan

Usia, Status Pekerjaan, Stadium Klinis, Berat Badan 772.9849

Status Pekerjaan, Stadium Klinis, Berat Badan 771.9565

Status Pekerjaan, Stadium Klinis 772.0855

Berdasarkan Tabel 5.4 di atas dapat dilihat bahwa dengan menggunakan

metode breslow diperoleh model terbaik yang terdiri dari variabel status pekerjaan,
stadium klinis, dan berat badan. Model yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.00934𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎) − 0.90017𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛)

+ 0.01658𝑋8 )

5.4 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan

Breslow
Untuk mengetahui apakah suatu persamaan terbaik dengan metode regresi
cox memiliki variabel independen yang berpengaruh secara signifikan terhadap
variabel dependen, maka diperlukan uji yang meliputi pengujian sebagai berikut:

5.4.1 Uji Secara Simultan (Overall)

Uji overall digunakan untuk mengetahui apakah semua variabel independen
yang masuk dalam model berpengaruh terhadap variabel dependen.
a. Hipotesis
𝐻0 = 𝛽5 = 𝛽7 = 𝛽8 = 0 (Variabel independen tidak berpengaruh
terhadap variabel dependen)
 46

𝐻1 : Minimal terdapat satu 𝛽𝑖 ≠ 0,⁡dengan 𝑖 = 5,7,8 (Minimal terdapat

satu variabel independen yang berpengaruh terhadap variabel dependen)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
2
H0 ditolak jika G ≥ 𝑋(0.05,3) atau p-value < α
d. Statistik Uji
p-value = 0.000002
𝐺⁡ = −2[ln 𝐿𝑅 − ln 𝐿𝑓 ]
⁡⁡⁡⁡⁡⁡= −2[−397.4481 − (−382.9782)]
= 28.9398
e. Statistik Uji
2
Tolak H0 , karena p-value < α dan G > 𝑋(0.05,3)
f. Kesimpulan
Dengan tingkat signifikansi 0.05 didapatkan kesimpulan H0 ditolak
karena nilai p-value < tingkat signifikansi, yaitu 0.000002 < 0.05 dan
2
nilai G > 𝑋(0.05,3) , yaitu 28.9398 > 7.81472. Artinya, terdapat data yang
mendukung nilai H1, sehingga menyebabkan minimal terdapat salah
satu dari variabel independen berpengaruh terhadap variabel dependen.
5.4.2 Uji Parsial
Selanjutnya dilakukan uji parsial pada variabel yang masuk ke dalam model
terbaik seteleh dilakukan eliminasi backward.

1. Variabel Pekerjaan dengan Kategori Tidak Bekerja

a. Hipotesis
𝐻0 : 𝛽5 = 0 (Variabel pekerjaan dengan kategori tidak bekerja, tidak
berpengaruh terhadap lama hidup pasien HIV/AIDS)
𝐻1 : 𝛽5 ≠ 0⁡(Variabel pekerjaan dengan kategori tidak bekerja berpengaruh
terhadap lama hidup pasien HIV/AIDS)
b. Tingkat Signifikasi
𝛼 = 5% = 0.05
 47

c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.00859
𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑡𝑖𝑑𝑎𝑘⁡𝑏𝑒𝑘𝑒𝑟𝑗𝑎)
𝑍=| |
𝑆𝐸(𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑡𝑖𝑑𝑎𝑘⁡𝑏𝑒𝑘𝑒𝑟𝑗𝑎) )
−1.00934
𝑍=| |
0.38408
𝑍 = 2.628
e. Keputusan
Tolak H0, karena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00859 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 2.628 >
1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel pekerjaan dengan kategori tidak
bekerja berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
2. Variabel Stadium Klinis dengan Kategori Stadium Ringan
a. Hipotesis
𝐻0 : 𝛽7 = 0 (Variabel stadium dengan kategori stadium ringan, tidak
berpengaruh terhadap lama hidup pasien HIV/AIDS)
𝐻1 : 𝛽7 ≠ 0 (Variabel stadium dengan kategori stadium ringan berpengaruh
terhadap lama hidup pasien HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.00156
𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑟𝑖𝑛𝑔𝑎𝑛)
𝑍=| |
𝑆𝐸(𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑟𝑖𝑛𝑔𝑎𝑛) )
 48

−0.90017
𝑍=| |
0.28449
𝑍 = 3.164
e. Keputusan
Tolak H0, karena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00156 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 3.164 >
1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel stadium dengan kategori stadium
ringan berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
3. Variabel Berat Badan
a. Hipotesis
𝐻0 : 𝛽8 = 0 (Variabel berat badan tidak berpengaruh terhadap lama hidup
pasien HIV/AIDS)
𝐻1 : 𝛽8 ≠ 0⁡(Variabel berat badan berpengaruh terhadap lama hidup pasien
HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.14571
𝛽̂8(𝐵𝑒𝑟𝑎𝑡⁡𝐵𝑎𝑑𝑎𝑚)
𝑍=| |
𝑆𝐸(𝛽̂8(𝐵𝑒𝑟𝑎𝑡⁡𝐵𝑎𝑑𝑎𝑛) )
0.01658
𝑍=| |
0.01140
𝑍 = 1.454
e. Keputusan
Gagal Tolak H0, karena p-value > tingkat signifikansi atau |𝑍| < 𝑍0.05/2
 49

f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.14571 > 0.05 atau |𝑍| < 𝑍0.05/2, yaitu 1.454 >
1.96. Maka diperoleh kesimpulan bahwa variabel berat badan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Pada hasil pengujian parsial diatas dapat disimpulkan variabel status
pekerjaan dan stadium klinis berpengaruh secara signifikan terhadap lama bertahan
hidup pasien HIV/AIDS, sedangkan variabel berat badan secara signifikan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS. Tetapi variabel berat
badan akan tetap digunakan berdasarkan nilai AIC pada Tabel 5.4 dengan nilai AIC
terkecil yang dapat diartikan sebagai model terbaik.

5.5 Estimasi Paramter Regresi Cox dengan Pendekatan Efron

Estimasi parameter dengan metode pendekatan efron merupakan metode
estimasi parameter yang cocok digunakan untuk mengatasi kejadian bersama dalam
ukuran kecil maupun besar. Pemilihan variabel yang akan dikeluarkan dalam model
pada penelitian ini menggunakan seleksi backward. Berikut hasil perhitungan
estimasi parameter regresi cox dengan pendekatan efron :
Tabel 5.5 Hasil Estimasi Parameter Regresi Cox dengan Pendekatan Efron

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X1 0.02682 1.027 0.01369 1.919 0.05493 Gagal Tolak
H0
X2 (Laki-Laki) 0.005526 1.006 0.2952 0.019 0.98507 Gagal Tolak
H0
X3 -0.01796 0.9822 0.4057 -0.044 0.96469 Gagal Tolak
(Belum Menikah) H0
X4 (SMP) 0.4881 1.629 0.3377 1.445 0.14832 Gagal Tolak
H0
X4 (SMA) 0.2330 1.262 0.3904 0.597 0.55066 Gagal Tolak
H0
 50

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X4 (PT) 0.8405 2.317 0.5469 1.537 0.12432 Gagal Tolak
H0
X5 (Tidak Bekerja) -0.8215 0.4398 0.4221 -1.946 0.05163 Gagal Tolak
H0
X6 (Homoseksual) 1.812 6.122 0.6641 2.728 0.00636 Tolak H0
X6 (Biseksual) -0.1140 0.8923 0.7117 -0.160 0.87274 Gagal Tolak
H0
X6 (Perinatal) -13.74 0.0000 2849 -0.005 0.99615 Gagal Tolak
01081 H0
X6 0.9271 2.527 1.171 0.762 0.42863 Gagal Tolak
(Tidak Diketahui) H0
X7 -0.8615 0.4225 0.3416 -2.522 0.01166 Tolak H0
(Stadium Ringan)

X8 0.01736 1.018 0.01567 1.108 0.26778 Gagal Tolak

H0
X9 (Tidak Ada) -0.3805 0.6835 1.059 -0.359 0.71939 Gagal Tolak
H0
X10(Positif) -0.05797 0.9437 0.330 -0.174 0.86181 Gagal Tolak
H0

Tabel 5.5 di atas merupakan hasil perhitungan estimasi parameter

menggunakan pendekatan efron. Langkah selanjutnya yaitu menentukan model
terbaik menggunakan metode eliminasi backward dengan kriteria AIC. Metode
eliminasi backward merupakan suatu cara untuk mendapatkan model terbaik
dengan mengeluarkan satu per satu nilai p-value paling besar yang tidak signifikan.
Dalam tabel awal didapatkan variabel yang signifikan yaitu variabel faktor risiko
penularan dengan kategori homoseksual dan variabel stadium dengan kategori
stadium ringan. Setelah dilakukan eliminasi backward variabel faktor risiko
penularan tidak digunakan karena memiliki nilai p-value > α dan faktor risiko
 51

penularan hanya untuk mengetahui risiko penularan pasien namun tidak

mempunyai pengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Berdasarkan perhitungan menggunakan software R maka diperoleh persamaan
model terbaik sebagai berikut:
Tabel 5.6 Hasil Estimasi Parameter Terbaik dengan Pendekatan Efron

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X5(Pekerjaan -1.00918 0.36452 0.38409 -2.627 0.00860 Tolak H0
Tidak Bekerja)

X7 -0.90044 0.40639 0.28449 -3.165 0.00155 Tolak H0

(Stadium Ringan)

X8 0.01659 1.01672 0.01139 1.456 0.14550 Gagal Tolak

H0

Setelah dilakukan eliminasi didapatkan persamaan model terbaik yang dapat

menggambarkan hubungan antara waktu survival dengan beberapa variabel bebas
secara tepat berdasarkan nilai AIC dengan melihat nilai AIC terkecil pada hasil
berikut:
Tabel 5.7 Hasil Nilai AIC dengan Metode Efron

Variabel Nilai AIC

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

Pekerjaan, Faktor Risiko Penularan, Stadium Klinis, Berat 783.0593
Badan, Infeksi Oportunistik, Status TB

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

Pekerjaan, Stadium Klinis, Berat Badan, Infeksi Oportunistik, 782.0701
Status TB

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

780.1042
Pekerjaan, Stadium Klinis, Berat Badan, Infeksi Oportunistik
 52

Variabel Nilai AIC

Usia, Status Pernikahan, Pendidikan, Status Pekerjaan,

778.1659
Stadium Klinis, Berat Badan, Infeksi Oportunistik

Usia, Status Pernikahan, Pendidikan, Status Pekerjaan,

776.4096
Stadium Klinis, Berat Badan

Usia, Pendidikan, Status Pekerjaan, Stadium Klinis, Berat

774.7975
Badan

Usia, Status Pekerjaan, Stadium Klinis, Berat Badan 772.8401

Status Pekerjaan, Stadium Klinis, Berat Badan 771.8166

Status Pekerjaan, Stadium Klinis 771.9478

Berdasarkan Tabel 5.7 di atas dapat dilihat bahwa dengan menggunakan

metode efron diperoleh model terbaik yang terdiri dari variabel status pekerjaan,
stadium klinis, dan berat badan. Model yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.00918𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎) − 0.90044𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛)

+ ⁡0.01659𝑋8 )

5.6 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan

Efron
Untuk mengetahui apakah suatu persamaan terbaik dengan metode regresi
cox memiliki variabel independen yang berpengaruh secara signifikan terhadap
variabel dependen, maka diperlukan uji yang meliputi pengujian sebagai berikut:

5.6.1 Uji Secara Simultan (Overall)

Uji overall digunakan untuk mengetahui apakah semua variabel independen
yang masuk dalam model berpengaruh terhadap variabel dependen.
 53

a. Hipotesis
𝐻0 = 𝛽5 = 𝛽7 = 𝛽8 = 0 (Variabel independen tidak berpengaruh
terhadap variabel dependen)
𝐻1 : Minimal terdapat satu 𝛽𝑖 ≠ 0,⁡dengan 𝑖 = 5,7,8 (Minimal terdapat
satu variabel independen yang berpengaruh terhadap variabel dependen)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
2
H0 ditolak jika G ≥ 𝑋(0.05,3) atau p-value < α
d. Statistik Uji
p-value = 0.000002
𝐺⁡ = −2[ln 𝐿𝑅 − ln 𝐿𝑓 ]
⁡⁡⁡⁡⁡⁡= −2[−397.3818 − (−382.9083)]
= 28.947
e. Statistik Uji
2
Tolak H0 , karena p-value < α dan G > 𝑋(0.05,3)
f. Kesimpulan
Dengan tingkat signifikansi 0.05 didapatkan kesimpulan H0 ditolak
karena nilai p-value < tingkat signifikansi, yaitu 0.000002 < 0.05 dan
2
nilai G > 𝑋(0.05,3) , yaitu 28.947 > 7.81472. Artinya, terdapat data yang
mendukung nilai H1, sehingga menyebabkan minimal ada salah satu dari
variabel independen berpengaruh terhadap variabel dependen.
5.6.2 Uji Parsial
Selanjutnya dilakukan uji parsial pada variabel yang masuk ke dalam model
terbaik seteleh dilakukan eliminasi backward.

1. Variabel Pekerjaan dengan Kategori Tidak Bekerja

a. Hipotesis
𝐻0 : 𝛽5 = 0 (Variabel pekerjaan dengan kategori tidak bekerja, tidak
berpengaruh terhadap lama hidup pasien HIV/AIDS)
 54

𝐻1 : 𝛽5 ≠ 0 (Variabel pekerjaan dengan kategori tidak bekerja berpengaruh

terhadap lama hidup pasien HIV/AIDS)
b. Tingkat Signifikasi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.00860
𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑡𝑖𝑑𝑎𝑘⁡𝑏𝑒𝑘𝑒𝑟𝑗𝑎)
𝑍=| |
𝑆𝐸(𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑡𝑖𝑑𝑎𝑘⁡𝑏𝑒𝑘𝑒𝑟𝑗𝑎) )
−1.00918
𝑍=| |
0.38409
𝑍 = 2.627
e. Keputusan
Tolak H0, katena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00860 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 2.627 >
1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel pekerjaan dengan kategori tidak
bekerja berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
2. Variabel Stadium dengan Kategori Stadium Ringan
a. Hipotesis
𝐻0 : 𝛽7 = 0 (Variabel stadium dengan kategori stadium ringan, tidak
berpengaruh terhadap lama hidup pasien HIV/AIDS)
𝐻1 : 𝛽7 ≠ 0 (Variabel stadium dengan kategori stadium ringan berpengaruh
terhadap lama hidup pasien HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
 55

d. Statistik Uji
p-value = 0.00155
𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑟𝑖𝑛𝑔𝑎𝑛)
𝑍=| |
𝑆𝐸(𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑟𝑖𝑛𝑔𝑎𝑛) )
−0.90044
𝑍=| |
0.28449
𝑍 = 3.165
e. Keputusan
Tolak H0, katena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00155 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 3.165
> 1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel stadium dengan kategori stadium
ringan berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
3. Variabel Berat Badan
a. Hipotesis
𝐻0 : 𝛽8 = 0 (Variabel berat badan tidak berpengaruh terhadap lama hidup
pasien HIV/AIDS)
𝐻1 : 𝛽8 ≠ 0, (Variabel berat badan berpengaruh terhadap lama hidup pasien
HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.1450
𝛽̂8(𝐵𝑒𝑟𝑎𝑡⁡𝐵𝑎𝑑𝑎𝑚)
𝑍=| |
𝑆𝐸(𝛽̂8(𝐵𝑒𝑟𝑎𝑡⁡𝐵𝑎𝑑𝑎𝑛) )
0.01659
𝑍=| |
0.01139
 56

𝑍 = 1.456
e. Keputusan
Gagal Tolak H0, karena p-value > tingkat signifikansi atau |𝑍| < 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.1450 > 0.05 atau |𝑍| < 𝑍0.05/2, yaitu 1.456 >
1.96. Maka diperoleh kesimpulan bahwa variabel berat badan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Pada hasil pengujian parsial diatas dapat disimpulkan variabel status
pekerjaan dan stadium klinis berpengaruh secara signifikan terhadap lama bertahan
hidup pasien HIV/AIDS, sedangkan variabel berat badan secara signifikan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS. Tetapi variabel berat
badan akan tetap digunakan berdasarkan nilai AIC pada Tabel 5.7 dengan nilai AIC
terkecil yang dapat diartikan sebagai model terbaik.

5.7 Estimasi Paramter Regresi Cox dengan Pendekatan Exact

Estimasi parameter dengan metode pendekatan exact merupakan metode
estimasi parameter yang sama halnya dengan pendekatan efron yang digunakan
untuk mengatasi kejadian bersama dalam ukuran kecil dan besar, akan tetapi
metode pendekatan exact mampu menghasilkan nilai estimasi yang lebih baik.
Pemilihan variabel yang akan dikeluarkan dalam model pada penelitian ini
menggunakan seleksi backward. Berikut hasil perhitungan estimasi parameter
regresi cox dengan pendekatan exact :
Tabel 5.8 Hasil Estimasi Parameter Regresi Cox dengan Pendekatan Exact

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X1 0.02682 1.027 0.0137 1.919 0.05503 Gagal Tolak
H0
X2 (Laki-Laki) 0.004134 1.004 0.2954 0.014 0.98884 Gagal Tolak
H0
 57

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X3 -0.01869 0.9815 0.4059 -0.046 0.96326 Gagal Tolak
(Belum Menikah) H0
X4 (SMP) 0.4888 1.630 0.3380 1.446 0.14820 Gagal Tolak
H0
X4 (SMA) 0.2345 1.264 0.3907 0.600 0.54839 Gagal Tolak
H0
X4 (PT) 0.8377 2.311 0.5479 1.529 0.12627 Gagal Tolak
H0
X5 (Tidak Bekerja) -0.8237 0.4388 0.4221 -1.951 0.05102 Gagal Tolak
H0
X6 (Homoseksual) 1.814 6.135 0.664 2.722 0.00649 Tolak H0
X6 (Biseksual) -0.1153 0.8911 0.7120 -0.162 0.87137 Gagal Tolak
H0
X6 (Perinatal) -13.73 0.0000 2840 -0.005 0.99614 Gagal Tolak
01090 H0
X6 0.9370 2.552 1.176 0.797 0.42554 Gagal Tolak
(Tidak Diketahui) H0
X7 -0.8622 0.4222 0.3418 -2.523 0.01164 Tolak H0
(Stadium Ringan)

X8 0.01739 1.018 0.01569 1.109 0.26762 Gagal Tolak

H0
X9 (Tidak Ada) -0.3808 0.6833 1.059 -0.359 0.71923 Gagal Tolak
H0
X10(Positif) -0.05799 0.9437 0.333 -0.174 0.86186 Gagal Tolak
H0

Tabel 5.8 di atas merupakan hasil perhitungan estimasi parameter

menggunakan pendekatan exact. Langkah selanjutnya yaitu menentukan model
terbaik menggunakan metode eliminasi backward dengan kriteria AIC. Metode
 58

eliminasi backward merupakan suatu cara untuk mendapatkan model terbaik

dengan mengeluarkan satu per satu nilai p-value paling besar yang tidak signifikan.
Dalam tabel awal didapatkan variabel yang signifikan yaitu variabel faktor risiko
penularan dengan kategori homoseksual dan variabel stadium dengan kategori
stadium ringan. Setelah dilakukan eliminasi backward variabel faktor risiko
penularan tidak digunakan karena memiliki nilai p-value > α dan faktor risiko
penularan hanya untuk mengetahui risiko penularan pasien namun tidak
mempunyai pengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Berdasarkan perhitungan menggunakan software R maka diperoleh persamaan
model terbaik sebagai berikut:
Tabel 5.9 Hasil Estimasi Parameter Terbaik dengan Pendekatan Exact

Exp SE
Variabel Coef Z Pvalue Keputusan
(Coef) (Coef)
X5 (Pekerjaan
-1.101006 0.36420 0.38417 -2.629 0.00856 Tolak H0
Tidak Bekerja)

X7(Stadium
-0.90120 0.40608 0.28459 -3.167 0.00154 Tolak H0
Ringan)

Gagal Tolak
X8 0.01661 1.01675 0.01141 1.456 0.14535
H0

Setelah dilakukan eliminasi didapatkan persamaan model terbaik yang dapat

menggambarkan hubungan antara waktu survival dengan beberapa variabel bebas
secara tepat berdasarkan nilai AIC dengan melihat nilai AIC terkecil pada hasil
berikut:
Tabel 5.10 Hasil Nilai AIC dengan Metode Exact

Variabel Nilai AIC

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

Pekerjaan, Faktor Risiko Penularan, Stadium Klinis, Berat 774.7378
Badan, Infeksi Oportunistik, Status TB
 59

Variabel Nilai AIC

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

Pekerjaan, Stadium Klinis, Berat Badan, Infeksi Oportunistik, 773.7417
Status TB

Usia, Jenis Kelamin, Status Pernikahan, Pendidikan, Status

771.7746
Pekerjaan, Stadium Klinis, Berat Badan, Infeksi Oportunistik

Usia, Status Pernikahan, Pendidikan, Status Pekerjaan,

769.8337
Stadium Klinis, Berat Badan, Infeksi Oportunistik

Usia, Status Pernikahan, Pendidikan, Status Pekerjaan,

768.0739
Stadium Klinis, Berat Badan

Usia, Pendidikan, Status Pekerjaan, Stadium Klinis, Berat

766.4621
Badan

Usia, Status Pekerjaan, Stadium Klinis, Berat Badan 764.5018

Status Pekerjaan, Stadium Klinis, Berat Badan 763.474

Status Pekerjaan, Stadium Klinis 763.607

Berdasarkan Tabel 5.10 di atas dapat dilihat bahwa dengan menggunakan

metode exact diperoleh model terbaik yang terdiri dari variabel status pekerjaan,
stadium klinis, dan berat badan. Model yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎) − 0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛)

+ 0.01661𝑋8 )
 60

5.8 Pengujian Keberartian Parameter Regresi Cox dengan Pendekatan

Exact
Untuk mengetahui apakah suatu persamaan terbaik dengan metode regresi
cox memiliki variabel independen yang berpengaruh secara signifikan terhadap
variabel dependen, maka diperlukan uji yang meliputi pengujian sebagai berikut:

5.8.1 Uji Secara Simultan (Overall)

Uji overall digunakan untuk mengetahui apakah semua variabel independen
yang masuk dalam model berpengaruh terhadap variabel dependen.
a. Hipotesis
𝐻0 = 𝛽5 = 𝛽7 = 𝛽8 = 0 (Variabel independen tidak berpengaruh
terhadap variabel dependen)
𝐻1 : Minimal terdapat satu 𝛽𝑖 ≠ 0,⁡dengan 𝑖 = 5,7,8 (Minimal terdapat
satu variabel independen yang berpengaruh terhadap variabel dependen)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
2
H0 ditolak jika G ≥ 𝑋(0.05,3) atau p-value < α
d. Statistik Uji
p-value = 0.000002
𝐺⁡ = −2[ln 𝐿𝑅 − ln 𝐿𝑓 ]
⁡⁡⁡⁡⁡⁡= −2[−393.2229 − (−378.7370)]
= 28.9718
e. Statistik Uji
2
Tolak H0 , karena p-value < α dan G > 𝑋(0.05,3)
f. Kesimpulan
Dengan tingkat signifikansi 0.05 didapatkan kesimpulan H0 ditolak
karena nilai p-value < tingkat signifikansi, yaitu 0.000002 < 0.05 dan
2
nilai G > 𝑋(0.05,3) , yaitu 28.9718 > 7.81472. Artinya, terdapat data yang
mendukung nilai H1, sehingga menyebabkan minimal ada salah satu dari
variabel independen berpengaruh terhadap variabel dependen.
 61

5.8.2 Uji Parsial

Selanjutnya dilakukan uji parsial pada variabel yang masuk ke dalam model
terbaik seteleh dilakukan eliminasi backward.
1. Variabel Pekerjaan dengan Kategori Tidak Bekerja
a. Hipotesis
𝐻0 : 𝛽5 = 0 (Variabel pekerjaan dengan kategori tidak bekerja, tidak
berpengaruh terhadap lama hidup pasien HIV/AIDS)
𝐻1 : 𝛽5 ≠ 0 (Variabel pekerjaan dengan kategori tidak bekerja berpengaruh
terhadap lama hidup pasien HIV/AIDS)
b. Tingkat Signifikasi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.00856
𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑡𝑖𝑑𝑎𝑘⁡𝑏𝑒𝑘𝑒𝑟𝑗𝑎)
𝑍=| |
𝑆𝐸(𝛽̂5(𝑝𝑒𝑘𝑒𝑟𝑗𝑎𝑎𝑛⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑡𝑖𝑑𝑎𝑘⁡𝑏𝑒𝑘𝑒𝑟𝑗𝑎) )
−1.01006
𝑍=| |
0.38417
𝑍 = 2.629
e. Keputusan
Tolak H0, katena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00856 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 2.629 >
1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel pekerjaan dengan kategori tidak
bekerja berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
 62

2. Variabel Stadium dengan Kategori Stadium Ringan

a. Hipotesis
𝐻0 : 𝛽7 = 0 (Variabel stadium dengan kategori stadium ringan, tidak
berpengaruh terhadap lama hidup pasien HIV/AIDS)
𝐻1 : 𝛽7 ≠ 0 (Variabel stadium dengan kategori stadium ringan berpengaruh
terhadap lama hidup pasien HIV/AIDS)
b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.00154
𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑟𝑖𝑛𝑔𝑎𝑛)
𝑍=| |
𝑆𝐸(𝛽̂7(𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑑𝑒𝑛𝑔𝑎𝑛⁡𝑘𝑎𝑡𝑒𝑔𝑜𝑟𝑖⁡𝑠𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑟𝑖𝑛𝑔𝑎𝑛) )
−0.90120
𝑍=| |
0.28459
𝑍 = 3.166
e. Keputusan
Tolak H0, katena p-value < tingkat signifikansi atau |𝑍| > 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.00154 < 0.05 atau |𝑍| > 𝑍0.05/2, yaitu 3.166 >
1.96. Maka diperoleh kesimpulan bahwa terdapat data yang mendukung
nilai H1, sehingga menyebabkan variabel stadium dengan kategori stadium
ringan berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
3. Variabel Berat Badan
a. Hipotesis
𝐻0 : 𝛽8 = 0 (Variabel berat badan tidak berpengaruh terhadap lama hidup
pasien HIV/AIDS)
𝐻1 : 𝛽8 ≠ 0 (Variabel berat badan berpengaruh terhadap lama hidup pasien
HIV/AIDS)
 63

b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
|𝑍| > 𝑍0.05/2 atau 𝑝 − 𝑣𝑎𝑙𝑢𝑒 < ⁡0.05, H0 ditolak
d. Statistik Uji
p-value = 0.14535
𝛽̂8(𝐵𝑒𝑟𝑎𝑡⁡𝐵𝑎𝑑𝑎𝑚)
𝑍=| |
𝑆𝐸(𝛽̂8(𝐵𝑒𝑟𝑎𝑡⁡𝐵𝑎𝑑𝑎𝑛) )
0.01661
𝑍=| |
0.01141
𝑍 = 1.455
e. Keputusan
Gagal Tolak H0, karena p-value > tingkat signifikansi atau |𝑍| < 𝑍0.05/2
f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka tolak H0, karena nilai p-value <
tingkat signifikansi, yaitu 0.14535 > 0.05 atau |𝑍| < 𝑍0.05/2, yaitu 1.455 >
1.96. Maka diperoleh kesimpulan bahwa variabel berat badan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS.
Pada hasil pengujian parsial diatas dapat disimpulan variabel status pekerjaan
dan stadium klinis berpengaruh secara signifikan terhadap lama bertahan hidup
pasien HIV/AIDS, sedangkan variabel berat badan secara signifikan tidak
berpengaruh terhadap lama bertahan hidup pasien HIV/AIDS. Tetapi variabel berat
badan akan tetap digunakan berdasarkan nilai AIC pada Tabel 5.10 dengan nilai
AIC terkecil yang dapat diartikan sebagai model terbaik.

5.9 Pemilihan Model Terbaik

Tabel 5.11 Pemilihan Model Terbaik dengan Perbandingan Nilai AIC

Model Regresi Cox dengan Estimasi

AIC
Parameter
Breslow 771.9565

Efron 771.8166
 64

Model Regresi Cox dengan Estimasi

AIC
Parameter
Exact 763.474

Pada Tabel 5.11 merupakan tabel pemilihan model terbaik dengan

membandingkan nilai AIC. Berdasarkan tabel diatas untuk mendapatkan model
terbaikm dilihat melalui nilai AIC terkecil. Dari dua estimasi parameter yang
digunakan, diperoleh nilai AIC terkecil sebesar 763.474 pada model regresi cox
dengan estimasi exact sehingga model yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎) − 0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛)

+ 0.01661𝑋8 )

Dari persamaan diatas dapat dilihat bahwa variabel yang paling berpengaruh
adalaj variabel status pekerjaan dengan kategori tidak bekerja. Dengan nilai p-value
< α dan memiliki koefisien negatif paling besar maka variabel status pekerjaan
paling berpengaruh diantara variabel lainnya.
5.10 Pengujian Asumsi Proportional Hazard
Setelah didapatkan model terbaik, selanjutnya dilakukan pengecekan asumsi
proportional hazard. Pengecekan asumsi proportional hazard dapat dilakukan
menggunakan metode goodness of fit, maka diperoleh hasil sebagai berikut:
Tabel 5.12 Nilai P-Value Uji Asumsi Proportional Hazard

Variabel Korelasi P-Value

X5 0.0476 0.83
X7 0.0386 0.84
X8 0.0774 0.78

Berdasarkan Tabel 5.9 dapat diketahui bahwa seluruh variabel memiliki p-

value lebih dari 0.05. Langkah selanjutnya dilakukan uji lebih lanjut untuk
mengetahui apakah semua variabel independen yang ada didalam persamaan
memenuhi asumsi proportional hazard. Berikut pengujiannya:
a. Hipotesis
𝐻0 : 𝜌 = 0 (Asumsi proportional hazard terpenuhi)
 65

𝐻1 : 𝜌 ≠ 0 (Asumsi proportional hazard tidak terpenuhi)

b. Tingkat Signifikansi
𝛼 = 5% = 0.05
c. Daerah Kritis
𝐻0 ditolak jika p-value ≤ tingkat signifikansi
d. Statistik Uji

Variabel P-Value
X5 0.83
X7 0.84
X8 0.78

e. Keputusan
Variabel P-Value α Keputusan
X5 0.83 > 0.05 Gagal Tolak 𝐻0
X7 0.84 > 0.05 Gagal Tolak 𝐻0
X8 0.78 > 0.05 Gagal Tolak 𝐻0

f. Kesimpulan
Dengan tingkat signifikansi 0.05 maka gagal tolak 𝐻0 , sehingga dapat
disimpulkan bahwa terdapat data yang mendukung nilai 𝐻0 , sehingga
menyebabkan ketiga variabel independen yaitu variabel pekerjaan dan
stadium memenuhi asumsi proportional hazard.

5.11 Interpretasi Parameter Cox Proportional Hazard

Berdasarkan perhitungan statistik menggunakan software R diperoleh model
regresi terbaik adalah regresi cox proportional hazard dengan pendekatan exact.
Hal ini dikarenakan model dengan pendeketan exact memiliki nilai AIC lebih
rendah. Kemudian model yang terbentuk adalah sebagai berikut:
Tabel 5.13 Estimasi Parameter Regresi Cox dengan Pendekatan Exact

Variabel Coefficient Exp (Coefficient)

X5 -1.01006 0.36420
 66

Variabel Coefficient Exp (Coefficient)

X7 -0.90120 0.40608
X8 0.01661 1.01675

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) + 0.01661𝑋8 )
Diketahui bahwa nilai exp(coefficient) menunjukkan nilai rasio hazard dari
suatu peubah, sehingga model diatas dapat diinterpretasikan sebagai berikut:
1. Pada variabel pekerjaan memiliki pengaruh negatif, pasien dengan status
pekerjaan tidak bekerja memiliki kesempatan untuk meninggal lebih kecil
1
sebesar = 2.746. Hal tersebut dimungkinkan karena pasien yang
0.36420

bekerja cenderung mengalami kesibukan yang lebih padat dibandingkan

dengan pasien yang tidak bekerja, faktor tersebut berpengaruh pada daya
tahan tubuh pasien serta kepatuhan pasien pasien dalam menjalankan terapi.
2. Pada variabel stadium memiliki pengaruh negatif, pasien dengan stadium
dengan stadium ringan memiliki kesempatan untuk meninggal lebih kecil
1
sebesar = 2.46, semakin bertambahnya stadium resiko mengalami
0.40608

event akan berkurang jika hal ini dibarengi dengan keteraturan dan
kepatuhan pasien dalam menjalankan antiretroviral therapy.
3. Pada variabel berat badan memiliki pengaruh postif, semakin bertambahnya
berat badan maka risiko pasien untuk mengalami event (meninggal) lebih
besar sebesar 1.01675 kali.

5.12 Model Regresi Cox Berdasarkan Demografi

Berdasarkan hasil analisis kaplan meier, diperoleh hasil terdapat tiga variabel
demografi yang menyatakan terdapat perbedaan peluang survival antar kategorinya.
Untuk variabel status pekerjaan diperoleh model regresi cox dengan estimasi exact
yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(0.5344𝑋2(𝐿𝑎𝑘𝑖−𝐿𝑎𝑘𝑖) − 0.7764𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) )

 67

Dari model tersebut diketahui faktor yang mempengaruhi survival pasien

HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan variabel demografi status
pekerjaan yaitu jenis kelamin dan stadium. Untuk variabel jenis kelamin diperoleh
model regresi cox dengan estimasi exact yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.1415𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎) − 0.8279𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) )

Dari model tersebut diketahui faktor yang mempengaruhi survival survival

pasien HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan variabel demografi
jenis kelamin yaitu status pekerjaan dan stadium. Untuk variabel usia diperoleh
model regresi cox dengan estimasi exact yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.1415𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎) − 0.8279𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) )

Dari model yang telah diperoleh, dapat diketahui faktor yang mempengaruhi
survival pasien HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan variabel
demografi usia yaitu status pekerjaan dan stadium.
 BAB VI
PENUTUP

6.1 Kesimpulan
Berdasarkan analisis dan pembahasn yang telah dipaparkan pada bab
sebelumnya, diperoleh kesimpulan sebagai berikut:
1. Gambaran umum data pasien penyakit HIV/AIDS di RSUD RAA
Soewondo Pati menggunakan analisis statistika deskriptif. Berdasarkan
analisis statistika deskriptif diperoleh kesimpulan bahwa pasien
HIV/AIDS rata-rata berumur 42,17 tahun dengan pasien paling muda
berumur 1 bulan dan paling tua berumur 71 tahun. Persentase pasien
berjenis kelamin laki-laki sebesar 59% (70 orang) lebih banyak
dibandingkan pasien perempuan. Faktor risiko penularan terbesar yaitu
pada heteroseksual sebesar 112 pasien.
2. Persamaan model regresi terbaik adalah regresi cox proportional hazard
dengan pendekatan exact yang terbentuk sebagai berikut:
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.01006𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.90120𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) + 0.01661𝑋8 )
Berdasarkan persamaan di atas diperoleh faktor-faktor yang
mempengaruhi lama waktu bertahan hidup pasien HIV/AIDS adalah status
pekerjaan, stadium klinis dan berat badan.
3. Nilai hazard ratio pasien dengan status pekerjaan tidak bekerja memiliki
kesempatan meninggal 2.746 kali lebih kecil. Hal tersebut dimungkinkan
karena pasien yang bekerja cenderung mengalami kesibukan yang lebih
padat dibandingkan dengan pasien yang tidak bekerja, faktor tersebut
berpengaruh pada daya tahan tubuh pasien serta kepatuhan pasien pasien
dalam menjalankan terapi. Untuk variabel stadium memiliki pengaruh
negatif, pasien dengan stadium ringan memiliki kesempatan untuk
meninggal lebih kecil sebesar 2,46 kali, semakin bertambahnya stadium
resiko mengalami event akan berkurang jika hal ini dibarengi dengan
keteraturan dan kepatuhan pasien dalam menjalankan antiretroviral

68
 69

therapy. Untuk berat badan, semakin bertambahnya berat badan pasien

maka risiko untuk mengalami event (meninggal) lebih besar sebesar
1.01675 kali.
4. Persamaan model regresi terbaik adalah regresi cox proportional hazard
dengan pendekatan exact berdasarkan faktor demografi yang terbentuk
sebagai berikut:
• Untuk variabel status pekerjaan diperoleh model regresi cox dengan
estimasi exact yang terbentuk adalah sebagai berikut:

ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(0.5344𝑋2(𝐿𝑎𝑘𝑖−𝐿𝑎𝑘𝑖)
− 0.7764𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) )
Dari model tersebut diketahui faktor yang mempengaruhi survival
pasien HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan variabel
demografi status pekerjaan yaitu jenis kelamin dan stadium.
• Untuk variabel jenis kelamin diperoleh model regresi cox dengan
estimasi exact yang terbentuk adalah sebagai berikut:
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.1415𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.8279𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) )
Dari model tersebut diketahui faktor yang mempengaruhi survival
survival pasien HIV/AIDS di RSUD RAA Soewondo Pati berdasarkan
variabel demografi jenis kelamin yaitu status pekerjaan dan stadium.
• Untuk variabel usia diperoleh model regresi cox dengan estimasi exact
yang terbentuk adalah sebagai berikut:
ℎ(𝑡, 𝑋) = ℎ0 (𝑡)exp⁡(−1.1415𝑋5(𝑇𝑖𝑑𝑎𝑘⁡𝐵𝑒𝑘𝑒𝑟𝑗𝑎)
− 0.8279𝑋7(𝑆𝑡𝑎𝑑𝑖𝑢𝑚⁡𝑅𝑖𝑛𝑔𝑎𝑛) )
Dari model yang telah diperoleh, dapat diketahui faktor yang
mempengaruhi survival pasien HIV/AIDS di RSUD RAA Soewondo
Pati berdasarkan variabel demografi usia yaitu status pekerjaan dan
stadium.
 70

6.2 Saran
Berdasarkan hasil penelitian dan kesimpulan yang diperoleh dari analisis,
maka saran yang dapat diberikan sebagai berikut:
1. Analisis ini dapat digunakan sebagai referensi pada bidang ilmu
kesehatan terutama pada penyakit HIV/AIDS, namun harus tetap
memperhatikan aspek-aspek kesehatan yang terkait dengan bidang ilmu
kesehatan tersebut, sehingga penerapan ilmu statistika dapat digunakan
secara tepat.
2. Untuk penelitian selanjutnya dapat menjadikan penelitian ini sebagai
acuan serta menambahkan variabel prediktor seperti jumlah CD4 pasien
dan kepatuhan pasien dalam menjalani pengobatan.
3. Penerapan analisis survival dalam penelitian ini diharapkan menjadi
pertimbangan untuk pihak-pihak terkait yang menangani penyakit
HIV/AIDS di RSUD RAA Soewondo Pati.
4. Bagi pasien, lebih diperhatikan keteraturan dan kepatuhan dalam
menjalankan pengobatan terkhusus bagi pasien yang memiliki pekerjaan
karena hal tersebut dapat mempengaruhi waktu lama bertahan hidup.
5. Dengan hasil penelitian ini diharapkan masyarakat lebih mengatur dan
mengontrol perilaku sosialnya serta mencegah perilaku negatif yang
dapat berpengaruh terhadap penyebaran HIV/AIDS.
 DAFTAR PUSTAKA

Andriyanto, F. (2018). Analisis Lama Waktu Rawat Inap Pasien Stroke Non
Hemoragik Dengan Pendekatan Regresi Cox (Studi Kasus: Pasien Stroke
Non Hemoragik di RSUD Salatiga, Jawa Tengah). Skripsi. Yogyakarta:
Universitas Islam Indonesia.
Badan Pusat Statistik Provinsi Jawa Tengah. (2018). Jumlah Kasus HIV/AIDS, IMS,
DBD, Diare, TB, dan Malaria Menurut Kabupaten/Kota di Provinsi Jawa
Tengah, 2017-2018. Tersedia di:
https://jateng.bps.go.id/dynamictable/2019/02/19/400/jumlah-kasus-hiv-
aids-ims-dbd-diare-tb-dan-malaria-menurut-kabupaten-kota-di-provinsi-
jawa-tengah-2017.html
Bahtiar, R.M. (2018). Analisis Lama Waktu Kesembuhan Pasien Diare Dengan
Pendekatan Efron Metode Regresi Cox Proportional Hazard. Skripsi.
Yogyakarta: Universitas Islam Indonesia.
Collet, D. (2003). Modelling Survival Data in Medical Research. US: Chapman &
Hall
Collet, D. (2004). Modelling Survival Data in Medical Research. US: CRC Press.
Cox, D. (1972). Regression Model and Life Table. J Roy Stat Soc B, 34 , 187-202.
Dewi, F. Nur dan Agustina, Karmelia. (2017). Analisis Sistem Pelayanan Rekam
Medis Rawat Inap di RSUP Dr. Kariadi Semarang Tahun 2016. Jurnal
Vokasi Indonesia.
Dinas Kesehatan Jawa Tengah. (2018). Profil Kesehatan Jawa Tengah Tahun 2018.
Semarang: Dinas Kesehatan Provinsi Jawa Tengah
Dinas Kesehatan Kabupaten Pati. (2018). Profil Kesehatan Kabupaten Pati Tahun
2018. Pati: Dinas Kesehatan Kabupaten Pati.
Dukalang, H. (2019). Analisis Regresi Cox Proportional Hazard Pada Pemodelan
Waktu Tunggu Mendapatkan Pekerjaan. Jambura Journal of Mathematics,
Volume 1 Nomer 1, ISSN:2654-5616.

71
 72

Efron, B. (1977). The Efficiency of Cox’s Likelihood Function for Censored Data.
Journal of American Statistical Association, 72, 557-565.
Etikan et. al. (2017). The Kaplan Meier Estimate in Survival Analysis. Cyprus:
Department of Biostatistics, Near East University Faculty of Medicine.
Fa’rifah, R.Y., dan Purhadi. (2012). Analisis Survival Faktor-Faktor yang
Mempengaruhi Laju Kesembuhan Pasien Demam berdarah Dengeu (DBD)
di RSU Haji Surabaya dengan Regresi Cox. Jurnal Sains dan Seni ITS Vol.1,
no.1, ISSN: 2301-928X. Tersedia di:
http://ejurnal.its.ac.id/index.php/sains_seni/article/view/2061.
Grasa, A. A. (1989). Econometric Model Selection: A New Approach, Kluwer.
Gunawan, Tri Yudhi., Prasetyowati, Irma., Ririanty, Mury. (2016). Hubungan
Karakteristik ODHA Dengan Kejadian Loss To Follow Up Terapi ARV Di
Kabupaten Jember. Jurnal IKESMA, Vol.12 no. 1.
Hiola, R., Otok, B. W., & Dukalang, H. (2016). Pemodelan Kasus HIV/AIDS
Menggunakan Cox Proportional Hazard. J Statistika, 23-28.
Imanina, C.H. (2018). Analisis Survival Terhadap Pasien Penyakit Ginjal Kronis
Dengan Menggunakan Cox Regression (Studi Kasus: Pasien Penyakit Ginjal
Kronis di RSUD Arifin Achmad, Pekanbaru, Riau). Skripsi. Yogyakarta:
Universitas Islam Indonesia.
Iskandar, B.M. (2015). Model Cox Proportional Hazard pada Kejadian Bersama.
Skripsi. Yogyakarta: Universitas Negeri Yogyakarta.
Kebebew, K., dan Wencheko, E. (2012). Survival Analysis of HIV-Infected Patients
Under Antiretroviral Treatment at the Armed Forces General Teaching
Hospital, Addis Ababa, Ethiopia. Ethiop J.Health Dev, Vol 26.
Kemenkes RI. (2013). Pedoman Nasional Tes dan Konseling HIV dan AIDS.
Jakarta: Kementerian Kesehatan RI.
Kemenkes RI. (2014). Infodatin: Situasi dan Analisis HIV AIDS. Jakarta:
Kementerian Kesehatan RI.
Kemenkes RI. (2018). Infodatin: Situasi Umum HIV/AIDS dan Tes HIV. Jakarta:
Kementerian Kesehatan RI.
 73

Khoiroh, U.M. (2019). Analisis Survival Pada Lama Rawat Inap Pasien
Tuberkulosis Paru Menggunakan Metode Regresi Cox Proportional Hazard.
Skripsi. Yogyakarta: Universitas Islam Indonesia.
Klein, J.P, dan Moeschberger, M.L. (2003). Survival Analysis Techniques
Cencored and Truncated Data. 2nd Edition. New York.
Klein, P., & Moeschberger, L. (2005). Survival Analysis. Techniques for Censored
and Truncated Data 2nd Edition. Springer.
Kleinbaum, D. G., and Klein, M. (2005). Survival Analysis: A Self-Learning Text.
Second Edition. New York: Springer Science and Business Media, Inc.
Kleinbaum, D. G., and Klein, M. (2011). Survival Analysis. New York: Springer
Science and Business Media, Inc.
Kleinbaum, D.G., and Klein, M. (2012) Survival Analysis: A Self-Learning Text.
3rd Edition, Springer, New York.
Komisi Penanggulangan AIDS Kabupaten Jember. (2015). Mengenal &
Menanggulangi HIV & AIDS Infeksi Menular Seksual dan Narkoba. Jember:
Komisi Penanggulangan AIDS Kabupaten Jember
Kumalasari, I. Y. (2013). Perilaku Berisiko Penyebab Human Immunodeficiency
Virus (HIV) Positif . Semarang: Fakultas Ilmu Keolahragaan Universitas
Negeri Semarang.
Kummar, V., Abbas, AK., Aster JC (2015) Robbins and Cotran; Pathologic Basic
of Disease Ninth edition. Philadelphia : Saunders Elsevier
Latan, Hengki. 2014. Aplikasi Analisis Data Statistik untuk Ilmu Sosial Sains
dengan IBM SPSS. Bandung: Alfa Beta.
Lawless, J. F. (2007). The statistical Analysis of Recurrent Event. USA: Springer
Science Business Media, Inc.
Lee, E. T. (1980). Statistical Methods for Survival Data Analysis. Belmont, CA:
Wadworth Publishers.
Lee, E. T. & Wang, J. W. (2003). Statistical Methods for Survival Data Analysis.
3rd Edition. New Jersey: John Wiley & Sons, Inc.
Longo D, Fauci A, Kasper D, Hauser S, Jameson J, Loscalzo J. (2011). Harrison's
Principle of Internal Medicine, 18 th edition. Philadelphia:McGraw-Hill.
 74

Munfaridah, & Indriani, D. (2016). Analisis Kecenderungan Survival Penderita

HIV (+) dengan Terapi ARV Menggunakan Aplikasi Life Table. Jurnal
Biometrika dan Kependudukan, Vol.5 no. 2.
Nasronudin. (2007). HIV & AIDS Pendekatan Biologi dan Molekuler, Klinis dan
Sosial. Surabaya: Airlangga University Press.
Nasronudin dan Maramis, M. Margarita. (2007). Konseling, Dukungan, Perawatan,
dan Pengobatan ODHA. SurabayaL Airlangga University Press
Prabawati, S., Nasution, Y. N., & Wahyuningsih, S. (2018). Analisis Survival Data
Kejadian Bersama dengan Pendekatan Efron Partial Likelihood (Studi
Kasus: Lama Masa Studi Mahasiswa Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Mulawarman Angkatan 2011). Jurnal
Eksponensial , Vol. 9 No. 1.
Pradika, R., Avip, B. (2019). Aplikasi Metode Kaplan Meier Sebagai Penduga
Ketahanan Hidup Penderita Kanker Payudara. Jurnal EurekaMatika, Vol.7
no. 2.
Pohan, H.T. (2006). Infeksi dibalik ancaman HIV. Jakarta: Penerbit Farmacia.

Rahmadeni, & Ranti, S. (2016). Perbandingan Model Regresi Cox Menggunakan

Estimasi Parameter Efron Partial Likelihood dan Breslow Partial
Likelihood. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri
(STNKI) 8, ISSN : 2085-9902.
Rahmanika, F.A. (2016). Analisis Survival Pada Pasien HIV/AIDS Dengan
Antiretroviral Therapy (ART) Di RSUD Prof. Dr. Soekandar Kabupaten
Mojokerto Menggunakan Regresi Cox Proportional Hazard. Skripsi.
Surabaya: Institut Teknologi Sepuluh Nopember.
Resti, S. (2013). Penerapan Analisis Regresi Logistik dan Analisis Survival Pada
Data Masa Terapi Antiretroviral Penderita HIV. Thesis. Bogor: Institut
Pertanian Bogor.
Rosella, M. (2013). Faktor-Faktor yang Berpengaruh Terhadap Harapan Hidup 5
Tahun Pasien Human Immunodeficiency Virus (HIV) / Acquired Immune
 75

Deficiency Syndrome (AIDS) Di RSUP Dr. Kariadi Semarang. Skripsi.

Semarang: Universitas Diponegoro.
Rustiyanto, Ery. (2009). Etika Profesi Perekam Medis dan Informasi Kesehatan.
Yogyakarta: Graha Ilmu.
Saleh, S. (2004). Statistika Deskriptif . Yogyakarta: UPP AMP YKPN.
Sugiyono. (2005). Metode Penelitian Bisnis. Bandung: Alfabeta.
Susenati, M.N. (2015). Analisis Lama Waktu Mencari Kerja dengan Pendekatan
Regresi Cox Proportional Hazard (Studi Kasus: Pengangguran Terdidik di
Provinsi D.I. Yogyakarta Tahun 2013). Skripsi. Yogyakarta: Universitas
Islam Indonesia.
Taylor, J.M., J.L. Fahey, R. Detels, and J.V. Giorgi. (1989). CD4 Percentage, CD4
Number and CD4:CD8 Ratio in HIV Infection: Which to Choose and How to
Use. Journal of Acquired Immuno Deficiency Syndrome. 2(2) 114-24
United States Preventive Services Task Force. (2011). Screening for HIV. Tersedia
di: http://www.uspreventiveservice staskforce.org/uspstf/uspshivi.htm.
Utami, Dyah Tri. (2015). Analisis Data Uji Hidup Pasien Kanker Paru di RSUP
Dr. Kariadi Semarang dengan Model Regresi. Skripsi. Semarang: FMIPA
Universitas Negeri Semarang.
Walpole, R. E, dan Myers, R.H. (1995). Ilmu Peluang dan Statistika untuk Insinyur
dan Ilmuwan Edisi ke-4. Penerbit ITB. Bandung.
WHO. (2015). Guideline On When To Start Antiretroviral Therapy And On Pre
Exposure. Switzerland: Publications of the World Health.
Widiyanti, M. dan Hutapea, H. (2015). Hubungan Jumlah Cluster of Differentiation
4 (CD4) dengan Infeksi Oportunistik Pada Pasien HIV/AIDS di Rumah Sakit
Umum Daerah (RSUD) DOK II Jayapura. Jurnal Biologi Papua , Vol. 7 No.
1.
Widiyono. (2011). Penyakit Tropis Epidemiologi, Penularan, Pencegahan &
Pemberantasan. Jakarta: Erlangga.
Yuliyanasari, N. (2017). Global Burden Desease - Human Immunodeficiency Virus
- Acquired Immune Deficiency Syndrome (HIV-AIDS). Qanun Medika,
Vol.1 no.1
LAMPIRAN
 Lampiran 1 Data pasien HIV/AIDS di RSUD RAA Soewondo Pati

No. survival x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 status

1 1820 48 0 1 1 1 1 0 60 1 1 0
2 201 34 0 1 1 1 1 1 40 1 1 1
3 1814 27 1 1 1 0 1 0 55 1 1 0
4 1813 38 0 1 2 1 1 0 49 1 1 0
5 1812 40 1 1 1 1 1 0 50 0 1 0
6 293 45 1 1 1 1 1 1 40 1 1 1
7 40 34 1 1 1 0 1 1 43 1 1 1
8 1812 31 1 1 2 1 1 0 60 1 1 0
9 227 36 0 1 3 1 1 1 54 1 1 1
10 1773 49 0 1 1 1 1 0 55 1 1 0
11 369 41 0 1 1 1 1 1 55 1 1 1
12 1155 30 1 1 1 0 1 1 50 1 1 1
13 41 45 0 1 1 1 1 1 55 1 1 1
14 217 54 0 1 2 1 1 1 49 1 1 1
15 1704 62 1 1 1 1 1 1 50 1 1 0
16 1731 21 1 0 1 1 1 0 45 0 1 0
17 23 57 0 1 1 1 1 1 56 1 1 1
18 1631 22 0 1 2 1 1 1 40 1 1 0
19 1788 55 0 1 1 1 1 1 52 1 1 1
20 205 44 1 0 1 1 1 0 52 1 1 1
21 1771 31 1 1 2 0 1 0 51 1 1 1
22 403 22 1 0 2 1 1 1 45 1 0 1
23 9 49 0 1 3 1 1 1 45 1 1 1
24 195 45 0 1 1 1 1 1 55 1 1 1
25 1709 42 1 0 1 0 1 1 41 1 1 0
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
114 527 32 1 1 2 1 1 1 43 1 0 1
115 16 57 1 1 1 1 1 0 41 1 1 1
116 67 61 0 1 1 1 1 0 58 1 1 1
117 65 51 0 1 1 1 1 1 60 1 1 1
118 52 38 1 1 2 0 1 0 49 1 1 1
119 50 43 0 1 1 1 1 1 42 1 0 1
120 78 71 0 1 1 1 3 1 55 1 0 1
121 1177 44 0 1 1 1 1 1 50 1 1 1
Keterangan:

X1 = Usia

X2 = 0 : Laki-laki 1 : Perempuan

X3 = 0 : Belum Menikah 1 : Menikah

X4 = 1 : Tidak Tamat SMP 2 : Tamat SMP

3 : Tamat SMA 4 : Tamat PT

X5 = 0 : Bejerja 1 : Tidak Bekerja

X6 = 1 : Heteroseksual 2 : Homoseksual

3 : Biseksual 4 : Perinatal

5 : IDU/Jarum Suntik 6 : Tidak Diketahui

X7 = 0 : Stadium Ringan 1 : Stadium Berat

X8 = Berat Badan

X9 = 0 : Tidak Ada 1 : Ada

X10 = 0 : TB Positif 1 : TB Negatif

Status = 0 : Data tersensor 1 : Data tidak tersensor

Lampiran 2 Surat Perijinan Pengambilan data di RSUD RAA Soewondo Pati
Lampiran 3 Script dan Output Regresi Cox Breslow

library(MVN)

data.hiv = read.delim("clipboard")

data.hiv$x2=factor(data.hiv$x2, levels = c("1","0"), labels =

c("Perempuan", "Laki-Laki"))

data.hiv$x3=factor(data.hiv$x3, levels = c("1","0"), labels =

c("Menikah", "Belum Menikah"))

data.hiv$x4=factor(data.hiv$x4, levels = c("1","2","3","4"),

labels = c("SD", "SMP", "SMA", "PT"))

data.hiv$x5=factor(data.hiv$x5, levels = c("1","0"), labels =

c("Bekerja", "Tidak Bekerja"))

data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal", "Tidak diketahui"))

data.hiv$x7=factor(data.hiv$x7, levels = c("1","0"), labels =

c("Stadium Berat", "Stadium Ringan"))

data.hiv$x9=factor(data.hiv$x9, levels = c("1","0"), labels =

c("Ada", "Tidak Ada"))

data.hiv$x10=factor(data.hiv$x10, levels = c("1","0"), labels

= c("Negatif", "Positif"))

library(survival)

#UJI REGRESI NONPAR

#cox

regcox= coxph(Surv(survival , status)~

x1+x2+x3+x4+x5+x6+x7+x8+x9+x10, data = data.hiv, method =
"breslow")

summary(regcox)

#menghilangkan x6

regcox2= coxph(Surv(survival , status)~

x1+x2+x3+x4+x5+x7+x8+x9+x10, data = data.hiv, method =
"breslow")

summary(regcox2)
#menghilangkan x10
regcox3= coxph(Surv(survival , status)~ x1+x2+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "breslow")
summary(regcox3)
#menghilangkan x2
regcox4= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8+x9, data
= data.hiv, method = "breslow")
summary(regcox4)
#menghilangkan x9
regcox5= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8, data =
data.hiv, method = "breslow")
summary(regcox5)
#menghilangkan x3
regcox6= coxph(Surv(survival , status)~ x1+x4+x5+x7+x8, data =
data.hiv, method = "breslow")
summary(regcox6)
#menghilangkan x4
regcox7= coxph(Surv(survival , status)~ x1+x5+x7+x8, data =
data.hiv, method = "breslow")
summary(regcox7)
#menghilangkan x1
regcox8= coxph(Surv(survival , status)~ x5+x7+x8, data = data.hiv,
method = "breslow")
summary(regcox8)
#menghilangkan x8
regcox9= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,
method = "breslow")
summary(regcox9)
AIC (regcox)
AIC (regcox2)
AIC (regcox3)
AIC (regcox4)
AIC (regcox5)
AIC (regcox6)
AIC (regcox7)
AIC (regcox8)
AIC (regcox9)
summary(regcox8)
regcox8
regcox8$loglik
cox.zph(regcox8)
AIC (regcox9)
Lampiran 4 Script dan Output Regresi Cox Efron

library(MVN)

data.hiv = read.delim("clipboard")

data.hiv$x2=factor(data.hiv$x2, levels = c("1","0"), labels =

c("Perempuan", "Laki-Laki"))

data.hiv$x3=factor(data.hiv$x3, levels = c("1","0"), labels =

c("Menikah", "Belum Menikah"))

data.hiv$x4=factor(data.hiv$x4, levels = c("1","2","3","4"),

labels = c("SD", "SMP", "SMA", "PT"))

data.hiv$x5=factor(data.hiv$x5, levels = c("1","0"), labels =

c("Bekerja", "Tidak Bekerja"))

data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal","Tidak diketahui"))

data.hiv$x7=factor(data.hiv$x7, levels = c("1","0"), labels =

c("Stadium Berat", "Stadium Ringan"))

data.hiv$x9=factor(data.hiv$x9, levels = c("1","0"), labels =

c("Ada", "Tidak Ada"))

data.hiv$x10=factor(data.hiv$x10, levels = c("1","0"), labels =

c("Negatif", "Positif"))

library(survival)

#UJI REGRESI NONPAR

#cox

regcox= coxph(Surv(survival , status)~

x1+x2+x3+x4+x5+x6+x7+x8+x9+x10, data = data.hiv, method =
"efron")

summary(regcox)

#menghilangkan x6

regcox2= coxph(Surv(survival , status)~

x1+x2+x3+x4+x5+x7+x8+x9+x10, data = data.hiv, method =
"efron")

summary(regcox2)
#menghilangkan x10
regcox3= coxph(Surv(survival , status)~ x1+x2+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "efron")
summary(regcox3)
#menghilangkan x2
regcox4= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "efron")
summary(regcox4)
#menghilangkan x9
regcox5= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox5)
#menghilangkan x3
regcox6= coxph(Surv(survival , status)~ x1+x4+x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox6)
#menghilangkan x4
regcox7= coxph(Surv(survival , status)~ x1+x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox7)
#menghilangkan x1
regcox8= coxph(Surv(survival , status)~ x5+x7+x8, data =
data.hiv, method = "efron")
summary(regcox8)
#menghilangkan x8
regcox9= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,
method = "efron")
summary(regcox9)
AIC (regcox)
AIC (regcox2)
AIC (regcox3)
AIC (regcox4)
AIC (regcox5)
AIC (regcox6)
AIC (regcox7)
AIC (regcox8)
AIC (regcox9)
summary(regcox8)
regcox8
regcox8$loglik
Lampiran 5 Script dan Output Regresi Cox Exact

library(MVN)

data.hiv = read.delim("clipboard")

data.hiv$x2=factor(data.hiv$x2, levels = c("1","0"), labels

= c("Perempuan", "Laki-Laki"))

data.hiv$x3=factor(data.hiv$x3, levels = c("1","0"), labels

= c("Menikah", "Belum Menikah"))

data.hiv$x4=factor(data.hiv$x4, levels = c("1","2","3","4"),

labels = c("SD", "SMP", "SMA", "PT"))

data.hiv$x5=factor(data.hiv$x5, levels = c("1","0"), labels

= c("Bekerja", "Tidak Bekerja"))

data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal", "Tidak diketahui"))

data.hiv$x7=factor(data.hiv$x7, levels = c("1","0"), labels

= c("Stadium Berat", "Stadium Ringan"))

data.hiv$x9=factor(data.hiv$x9, levels = c("1","0"), labels

= c("Ada", "Tidak Ada"))

data.hiv$x10=factor(data.hiv$x10, levels = c("1","0"),

labels = c("Negatif", "Positif"))

library(survival)

#UJI REGRESI NONPAR

#cox

regcox= coxph(Surv(survival , status)~

x1+x2+x3+x4+x5+x6+x7+x8+x9+x10, data = data.hiv, method =
"exact")

summary(regcox)

#menghilangkan x6

regcox2= coxph(Surv(survival , status)~

x1+x2+x3+x4+x5+x7+x8+x9+x10, data = data.hiv, method =
"exact")

summary(regcox2)
#menghilangkan x10
regcox3= coxph(Surv(survival , status)~
x1+x2+x3+x4+x5+x7+x8+x9, data = data.hiv, method = "exact")
summary(regcox3)
#menghilangkan x2
regcox4= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "exact")
summary(regcox4)
#menghilangkan x9
regcox5= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8, data
= data.hiv, method = "exact")
summary(regcox5)
#menghilangkan x3
regcox6= coxph(Surv(survival , status)~ x1+x4+x5+x7+x8, data =
data.hiv, method = "exact")
summary(regcox6)
#menghilangkan x4
regcox7= coxph(Surv(survival , status)~ x1+x5+x7+x8, data =
data.hiv, method = "exact")
summary(regcox7)
#menghilangkan x1
regcox8= coxph(Surv(survival , status)~ x5+x7+x8, data =
data.hiv, method = "exact")
summary(regcox8)
#menghilangkan x8
regcox9= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,
method = "exact")
summary(regcox9)
AIC (regcox)
AIC (regcox2)
AIC (regcox3)
AIC (regcox4)
AIC (regcox5)
AIC (regcox6)
AIC (regcox7)
AIC (regcox8)
AIC (regcox9)

cox.zph(regcox8)
regcox8$loglik
 Lampiran 6 Script dan Output Regresi Cox Variabel Demografi

library(MVN)
data.hiv = read.delim("clipboard")
data.hiv$x2=factor(data.hiv$x2, levels = c("1","0"), labels =
c("Perempuan", "Laki-Laki"))
data.hiv$x3=factor(data.hiv$x3, levels = c("1","0"), labels =
c("Menikah", "Belum Menikah"))
data.hiv$x4=factor(data.hiv$x4, levels = c("1","2","3","4"),
labels = c("SD", "SMP", "SMA", "PT"))
data.hiv$x5=factor(data.hiv$x5, levels = c("1","0"), labels =
c("Bekerja", "Tidak Bekerja"))
data.hiv$x6=factor(data.hiv$x6, levels =
c("1","2","3","4","6"), labels = c("Heteroseksual",
"Homoseksual", "Biseksual", "Perinatal", "Tidak diketahui"))
data.hiv$x7=factor(data.hiv$x7, levels = c("1","0"), labels =
c("Stadium Berat", "Stadium Ringan"))
data.hiv$x9=factor(data.hiv$x9, levels = c("1","0"), labels =
c("Ada", "Tidak Ada"))
data.hiv$x10=factor(data.hiv$x10, levels = c("1","0"), labels =
c("Negatif", "Positif"))
library(survival)
#UJI REGRESI NONPAR
##Variabel Status Pekerjaan
regcox= coxph(Surv(survival , status)~
x1+x2+x3+x4+x6+x7+x8+x9+x10, data = data.hiv, method =
"exact")
summary(regcox)
regcox2= coxph(Surv(survival , status)~
x1+x2+x3+x4+x7+x8+x9+x10, data = data.hiv, method = "exact")
summary(regcox2)
regcox3= coxph(Surv(survival , status)~ x1+x2+x3+x4+x7+x8+x10,
data = data.hiv, method = "exact")
summary(regcox3)
regcox4= coxph(Surv(survival , status)~ x1+x2+x4+x7+x8+x10,
data = data.hiv, method = "exact")
summary(regcox4)
regcox5= coxph(Surv(survival , status)~ x1+x2+x4+x7+x8, data =
data.hiv, method = "exact")
summary(regcox5)
regcox6= coxph(Surv(survival , status)~ x1+x2+x4+x7, data =
data.hiv, method = "exact")
summary(regcox6)
regcox7= coxph(Surv(survival , status)~ x1+x2+x7, data =
data.hiv, method = "exact")
summary(regcox7)

regcox8= coxph(Surv(survival , status)~ x2+x7, data = data.hiv,

method = "exact")
summary(regcox8)

##Variabel Jenis Kelamin

regcox= coxph(Surv(survival , status)~
x1+x3+x4+x5+x6+x7+x8+x9+x10, data = data.hiv, method =
"exact")
summary(regcox)

regcox2= coxph(Surv(survival , status)~

x1+x3+x4+x5+x7+x8+x9+x10, data = data.hiv, method = "exact")
summary(regcox2)

regcox3= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8+x9,

data = data.hiv, method = "exact")
summary(regcox3)

regcox4= coxph(Surv(survival , status)~ x1+x3+x4+x5+x7+x8, data

= data.hiv, method = "exact")
summary(regcox4)

regcox5= coxph(Surv(survival , status)~ x1+x4+x5+x7+x8, data =

data.hiv, method = "exact")
summary(regcox5)

regcox6= coxph(Surv(survival , status)~ x1+x5+x7+x8, data =

data.hiv, method = "exact")
summary(regcox6)

regcox7= coxph(Surv(survival , status)~ x5+x7+x8, data =

data.hiv, method = "exact")
summary(regcox7)

regcox8= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,

method = "exact")
summary(regcox8)
AIC (regcox8)
##Variabel Usia
regcox= coxph(Surv(survival , status)~
x2+x3+x4+x5+x6+x7+x8+x9+x10, data = data.hiv, method =
"exact")
summary(regcox)
regcox2= coxph(Surv(survival , status)~
x2+x3+x4+x5+x7+x8+x9+x10, data = data.hiv, method = "exact")
summary(regcox2)
regcox3= coxph(Surv(survival , status)~ x2+x3+x4+x5+x7+x8+x9,
data = data.hiv, method = "exact")
summary(regcox3)
regcox4= coxph(Surv(survival , status)~ x2+x3+x5+x7+x8+x9, data
= data.hiv, method = "exact")
summary(regcox4)
regcox5= coxph(Surv(survival , status)~ x3+x5+x7+x8+x9, data =
data.hiv, method = "exact")
summary(regcox5)
regcox6= coxph(Surv(survival , status)~ x5+x7+x8+x9, data =
data.hiv, method = "exact")
summary(regcox6)
regcox7= coxph(Surv(survival , status)~ x5+x7+x8, data =
data.hiv, method = "exact")
summary(regcox7)
regcox8= coxph(Surv(survival , status)~ x5+x7, data = data.hiv,
method = "exact")
summary(regcox8)
AIC (regcox8)

• Variabel Status Pekerjaan

• Variabel Jenis Kelamin

• Variabel Usia
Lampiran 7 Tabel Chi-Square
Lampiran 8 Tabel Z Standard Normal Probabilities